我有成功/失败数据(在一定时期内存活/死亡的树木),并想估计与我的每个观察(7 个地点)相关联的二项式分布的误差。到目前为止我一直在使用 glm
这样做:
s <- c(1,20,0,40,2,1,0) # success
f <- c(2,0,20,4,50,0,1) # failure
#for each observation I would calculate this error:
error <- vector ()
z_scores <- vector ()
p_value <- vector ()
for (i in 1:7) {
models <- glm (cbind (s[i], f[i]) ~ 1, family = 'binomial')
error [i] <- summary (models)$coefficients[2]
z_scores [i] <- summary (models)$coefficients[3]
p_value [i] <- summary (models)$coefficients[4]
}
这会是最好的方法吗?
这里如何估计二项式分布的概率?
请注意,无论成功和失败的次数如何,当
s
时,我的错误都非常高。或 f
是 =0
最佳答案
这里有一些代码可以在不使用 glm
的情况下重新计算大部分结果(除了由零引起的极端结果) ,我解释了它们背后的含义。
s <- c(1, 20, 0, 40, 2, 1, 0) # success
f <- c(2, 0, 20, 4, 50, 0, 1) # failure
#for each observation I would calculate this error:
error <- vector()
z_scores <- vector()
p_value <- vector()
for (i in 1:7) {
models <- glm(cbind(s[i], f[i]) ~ 1, family = 'binomial')
error[i] <- summary(models)$coefficients[2]
z_scores[i] <- summary(models)$coefficients[3]
p_value[i] <- summary(models)$coefficients[4]
}
logit <- function(x){
log(x / (1 - x))
}
dlogit <- function(x){
1 / x / (1 - x)
}
p_hat <- s / (s + f)
## sqrt(p_hat * (1 - p_hat) / (s + f))
## is the standard error of p_hat
## error1 is the standard error of logit(p_hat)
error1 <- dlogit(p_hat) * sqrt(p_hat * (1 - p_hat) / (s + f))
## divide the estimation by the standard error, you get z-score
z_scores1 <- logit(p_hat) / error1
p_value1 <- 2 * pnorm(-abs(z_scores1))
您需要知道的第一件事是标准误差、z 得分、p 值等背后的基本原理。在统计中,我们首先有一些模型(在这种情况下,二项式模型:
s|(s+f) ~ Binomial(s + f, p))
,我们想使用它以适应我们拥有的数据和1) 获得估计值(在本例中为
p
)2) 由于数据是随机生成的,我们想知道我们的估计有多好,这里有标准误差、z 分数和 p 值来“衡量估计中的随机性”,这里有一些重要的“技巧”:因为我们不知道产生数据的真正机制,我们只能通过假设来近似计算我们估计中的随机性
a) 我们的模型是(或类似于)数据生成的真实机制,并且
b) 实际参数与我们的估计相似(这通常需要大样本量,在这种情况下,样本量只是
s + f
,因此 s + f
必须足够大才能进行推断(标准误差、z-score 和p 值)验证)。我们可以看到,在 i = 1、6 和 7 的情况下,样本量非常小,这使得相应的标准误、z 分数和 p 值令人难以置信。然后我可以谈谈我的计算背后的技术细节以及它们的含义。在
glm
, 除了 Binomial(n, p)
模型,您还假设 p
的模型像这样:logit(p) ~ N(mu, sigma^2)
而 logit 函数就像我代码中的那样。
在这个简单的例子中,二项式概率的估计
p
只是 p_hat <- s / (s + f)
(不管是否使用glm
),从二项式变量的方差公式,我们可以得到估计概率p
的方差。是 p * (1 - p) / n
, 在这里,如果我们认为 p_hat <- s / (s + f)
与真实的相似p
由假设b,并用它代替p
,我们可以得到估计值 p
的标准误差.遵循CLT和Delta方法,当样本量足够大时,我们可以处理s / (s + f)
或 logit(s / (s + f))
遵循正态分布,例如,s / (s + f)
大约是 N(p, s * f / (s + f) ^ 3)
和 logit(s / (s + f))
大约是 N(logit(p), dlogit(s / (s + f)) ^ 2 * s * f / (s + f) ^ 3)
.简单地说,
glm
的标准误、z 分数和 p 值计算只是 logit(s / (s + f))
的标准误差、z 分数和 p 值.这些是零假设的有效结果:logit(p) = 0
,换句话说,p = 0.5
.因此,从 glm
获得的 z 分数和 p 值是测试是否s
和 f
当样本大小 s + f
时发生的概率相等很大。然后我再说说0引起的极值。当
s
或 f
等于 0,f
的估计概率或 s
发生将是1,如果这是真的,数据生成机制实际上是非随机的!!一开始我说过我们使用我们的估计来近似计算我们估计中的随机性,并且在 s
的情况下或 f
等于 0,如果我们使用我们的估计作为基本事实,我们应该 100% 相信我们的估计,这有点荒谬。在这种情况下,很多方法如 glm
将无效。一般来说,如果样本量s + f
足够大,我们认为s
的概率或 f
如果 s = 0
,发生的情况真的很小或 f = 0
,但如果样本量真的很小,如案例 6 或案例 7,我们实际上无法得出任何结论。总之,如果二项式模型为真,则来自
glm
结果,我的代码和上面提供的分析,我们可以说在 i = 2, 3, 4, 5
的情况下,s
的概率和 f
彼此显着不同。
关于r - R中的成功/失败错误估计,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44071718/