mtest

mtest es una implementación de Python de la prueba m, una prueba de dos muestras sobre la base de la selección de modelo y se describe en [1] y [2].
A pesar de su importancia en el apoyo a las conclusiones experimentales, las pruebas estadísticas estándar son a menudo insuficientes para las áreas de investigación, como las ciencias de la vida, en los que el tamaño típico de la muestra es pequeño y los supuestos de prueba difíciles de verificar. En tales condiciones, las pruebas estándar tienden a ser demasiado conservador, y así fallar para detectar efectos significativos en los datos.
El-test m es una prueba estadística clásica en el sentido de la definición de significación con el límite convencional sobre los errores de Tipo I. Por otro lado, se basa en la selección del modelo bayesiano, y por lo tanto tiene en cuenta la incertidumbre sobre los parámetros del modelo, mitigar el problema de pequeño tamaño muestras.
Se ha encontrado la prueba m a tener en general un poder superior (más pequeña fracción de errores de Tipo II) que un error t-test para tamaños de muestra pequeños (3 a 100 muestras).
[1] Berkes, P., Fiser, J. (2011) Una prueba de dos muestras frecuentista basado en la selección del modelo bayesiano. arXiv: 1104.2826v1
[2] Berkes, P., Orban, G., Lengyel, M., y Fiser, J. (2011). Actividad cortical espontánea revela características de un modelo interno óptimo del medio ambiente. Ciencia, 331: 6013, 83-87.
mesas mtest
barcos mtest cachés tablas de estadísticas para calcular el p-valor y el poder de los nuevos datos de la manera más eficiente. La biblioteca se distribuye con mesas para los valores de p (error tipo I) para N = 3,4, ..., 20 y N = 30,40, ..., 100. Estas tablas cubren los casos más comunes. Nuevas tablas se calculan cuando sea necesario, a pesar de la finalización puede tardar un par de horas. Tablas de error de tipo II no se incluyen para mantener el tamaño pequeño paquete.
Ver scriptscompute_basic_tables.py para un script de ejemplo para pre-cálculo mesas que pueda necesitar. . El script hace uso de la biblioteca JOBLIB para distribuir los cálculos de múltiples núcleos

Requisitos

• Python
• SciPy
• pymc