मैं बायेसियन कार्यप्रणाली का उपयोग करके एबी परीक्षण के परिणामों की गणना करने के लिए बायेसियन एब परीक्षण से सूत्र का उपयोग कर रहा हूं ।
कहाँ पे
- एक के लिए एक से अधिक सफलताओं की संख्या में \ Alpha_A
- प्लस में विफलताओं की संख्या
- बी के लिए सफलताओं की संख्या में एक प्लस में \ _ \ _
- बी के लिए विफलताओं की संख्या एक प्लस में \ Beta_B
- है बीटा समारोह
उदाहरण डेटा:
control: 1000 trials with 78 successes
test: 1000 trials with 100 successes
एक मानक गैर बायेसियन प्रोप टेस्ट मुझे महत्वपूर्ण परिणाम देता है (p <10%):
prop.test(n=c(1000,1000), x=c(100,78), correct=F)
# 2-sample test for equality of proportions without continuity correction
#
# data: c(100, 78) out of c(1000, 1000)
# X-squared = 2.9847, df = 1, p-value = 0.08405
# alternative hypothesis: two.sided
# 95 percent confidence interval:
# -0.0029398 0.0469398
# sample estimates:
# prop 1 prop 2
# 0.100 0.078
जबकि बेयस सूत्र के मेरे कार्यान्वयन (लिंक में स्पष्टीकरण का उपयोग करके) ने मुझे बहुत ही अजीब परिणाम दिए:
# success control+1
a_control <- 78+1
# failures control+1
b_control <- 1000-78+1
# success control+1
a_test <- 100+1
# failures control+1
b_test <- 1000-100+1
is_control_better <- 0
for (i in 0:(a_test-1) ) {
is_control_better <- is_control_better+beta(a_control+i,b_control+b_test) /
(b_test+i)*beta(1+i,b_test)*beta(a_control,b_control)
}
round(is_control_better, 4)
# [1] 0
कि इसका मतलब है कि है है, जो इस डेटा को देखते हुए किसी भी मतलब नहीं है।
क्या कोई स्पष्ट कर सकता है?
p-value
टैग को हटा देता हूं क्योंकि यह संबंधित नहीं है।
p-value
टैग के साथ एक बायेसियन विश्लेषण क्वेस्टियोब ? मैंने सोचा कि बायेसियन ने पी-वैल्यू के साथ कुछ भी करने से इनकार कर दिया।