confidence-interval

    0热度

    1回答

    this solution如何使用pandas/python来实现?这个问题涉及使用此stats.stackexchange solution围绕平均值找到95%CI的实现。 import pandas as pd from IPython.display import display import scipy import scipy.stats as st import scikits

    0热度

    1回答

    我知道这个话题有很多问题,但我找不到我需要的答案。几年前我用过R,现在我什么都记不起来了,但我确信有可能画出这样的图表,每个单点的置信区间和各点之间的主线(如截图中所示)。我已经有了我需要的所有数据,预先使用电子表格进行计算。一个简单的例子: 点值(平均先前值的):4(在10米),5(20米),6(30米) 置信区间:0.2(为值4 ),0.5(对于值5),0.9(对于值6) 我需要的语法绘制图表

    0热度

    1回答

    从以下question中,我们创建了一些虚拟数据。然后将其转换为ggplot2可以理解的格式,我们生成一个简单的图表,显示var随时间的变化。 test_data <- data.frame( var0 = 100 + c(0, cumsum(runif(49, -20, 20))), var1 = 150 + c(0, cumsum(runif(49, -10, 10

    3热度

    1回答

    我试图计算置信区间为零膨胀已设置使用功能zeroinfl() 如果我使用函数计算它们的线性模型或GLM predict(glm, newdata, type = "response", se.fit = TRUE) 它工作正常,并返回$契合,$ se.fit,$ DF和$ residual.scale值(我不知道是什么最后两个产出代表 - 澄清,也非常赞赏)。 但是,当我用零膨胀模型替换glm

    0热度

    1回答

    我有以下数据框: +---------------+-----------+-------------+-----+----+----+--------------------+-------------------+------+--------------------+-------+-------+--------------------+ | time_stamp_0|sender_ip

    1热度

    1回答

    所以我非常喜欢显示统计回归模型的stargazer包。我一直在使用R和Stata来完成教科书中的一些问题。我发现的一个问题是,由stargazer包打印的置信区间与stata的置信区间并不相符。我确定手动完成后,stata中的CI是正确的。 因为问题可能可能在于我如何处理数据,所以我在此将其作为可选选项提供。我主要关心的是确定CI为什么不回应。从以前的文章中,这里是查找我正在使用的数据的一种可能方

    0热度

    1回答

    我尝试使用以下tutorial特别是线绘制Kaplan-Meier曲线: require("survival") fit <- survfit(Surv(time, status) ~ sex, data = lung) ggsurvplot(fit, linetype = "strata", conf.int = TRUE, pval = TRUE, palette = "Dark2")

    0热度

    1回答

    随着时间的推移,我有数百个种群(不同物种,地点等)的相关性。我如何统计分析所有这些相关性(各自的组)? 我有p值,配置文件,相关系数为每600 +相关,但我怎么能比较这些组内(物种,位置等)。 我试图在数据相关人口数(百分比)和年份,物种和位置(变成虚拟变量)上进行大的部分相关性作为控制因素,当家庭内部以及与位置相关时(作为虚拟变量)作为一个控制变量时关联物种内,但我不知道这是否正确。 下面是一些

    0热度

    1回答

    这已被问及其他帖子,但我还没有想出如何正确使用position_dodge。 如何将图形中每个栏中的每个CI栏居中? df <- structure(list(Ano = c(2012, 2012, 2012, 2016, 2016, 2016), Grupo = c("Controle", "Tratado", "Total", "Controle", "Tr

    1热度

    1回答

    我的问题是统计和R相关的混合。我试图从Bebber等人实现一个模型。 (使用发现曲线预测未知物种的数量)来估计我的数据集中未发现物种的总数(通过查找物种的预期总数)以及围绕预测物种总数的置信区间。 (St)= k(Ntot-Nt-1)给出了物种总数的估计值,它是通过拟合St对Nt-1(具有quasipoisson误差)的glm计算得到的,其中St是每年的物种数量,Nt-1是前一年的累计物种数量,k