Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
stats-thinking-21-zh
提交
75b10f3d
S
stats-thinking-21-zh
项目概览
OpenDocCN
/
stats-thinking-21-zh
8 个月 前同步成功
通知
1
Star
24
Fork
6
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
S
stats-thinking-21-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
75b10f3d
编写于
8月 11, 2022
作者:
L
liuyixi520
提交者:
GitHub
8月 11, 2022
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Update 10.md
1
上级
d308453c
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
2 addition
and
2 deletion
+2
-2
docs/10.md
docs/10.md
+2
-2
未找到文件。
docs/10.md
浏览文件 @
75b10f3d
...
...
@@ -2,9 +2,9 @@
# 10 量化效果和设计研究
在前一章中,我们讨论了如何利用数据来检验假设。这些方法
提供了一个二元答案:我们要么拒绝,要么不能拒绝零假设。然而,这种决定忽略了几个重要的问题。首先,我们想知道我们对答案有多少不确定性(不管它往哪个方向发展)。此外,有时我们没有明确的零假设,所以我们希望看到什么范围的估计与数据一致。第二,我们想知道这种影响实际上有多大,因为正如我们在前一章的减肥例子中所看到的,统计上显著的影响不一定是实际上重要的影响
。
在前一章中,我们讨论了如何利用数据来检验假设。这些方法
让我们在两个答案中二选一:我们要么拒绝零假设,要么同意零假设。然而,这种策略忽略了几个重要的问题。首先,我们想知道我们对答案有多不确定(不管最终是哪个答案)。此外,有时我们没有明确的零假设,所以我们希望看到什么范围的估计与数据一致。第二,我们想知道这种影响实际上有多大,因为正如我们在前一章的减肥例子中所看到的,在统计上效果明显的在实际情况中效果不一定明显
。
在这一章中,我们将讨论解决这两个问题的方法:置信区间
提供了对我们估计的不确定性的一种度量,效应大小提供了一种理解效应有多大的标准化方法。我们还将讨论统计功效的概念,它告诉我们有多大可能找到任何
真实存在的效应。
在这一章中,我们将讨论解决这两个问题的方法:置信区间
为我们提供了对不确定性的一种度量,效应大小提供了一种理解效应有多大的标准化方法。我们还将讨论统计功效的概念,它告诉我们有多大可能找到
真实存在的效应。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录