(ОБНОВЛЕНИЕ: я углубился в это и разместил результаты здесь )
Список названных статистических тестов огромен. Многие из общих тестов основаны на выводе из простых линейных моделей, например, t-критерий с одной выборкой - это просто y = β + ε, который проверяется на нулевой модели, y = μ + ε, т. Е. На том, что β = μ, где μ - некоторый нуль значение - обычно μ = 0.
Я считаю, что это несколько более поучительно для учебных целей, чем нарочное изучение названных моделей, когда их использовать, и их предположений, как будто они не имеют никакого отношения друг к другу. Такой подход способствует не способствует пониманию. Однако я не могу найти хороший ресурс, собирающий это. Меня больше интересует эквивалентность между базовыми моделями, а не метод вывода из них. Хотя, насколько я вижу, тесты отношения правдоподобия на всех этих линейных моделях дают те же результаты, что и «классический» вывод.
Вот эквиваленты, о которых я узнал до сих пор, игнорируя термин ошибки и предполагая, что все нулевые гипотезы являются отсутствием эффекта:
T-тест для одной выборки: .
T-критерий парных выборок:
Это идентично t-критерию с одним образцом для парных разностей.
T-тест из двух выборок:
где х - показатель (0 или 1).
Корреляция Пирсона:
Обратите внимание на сходство с t-тестом из двух выборок, который представляет собой просто регрессию на двоичной оси X.
Корреляция Спирмена:
Это идентично корреляции Пирсона для рангово-преобразованных х и у.
Односторонний ANOVA:
где - индикаторы, выбирающие соответствующую (один равен 1; остальные 0). Модель, вероятно , можно записать в матричном виде , как .
Двухсторонний ANOVA:
для двух двухуровневых факторов. Здесь - векторы бета, где один выбран вектором индикатора . , показанный здесь эффект взаимодействия.
Можем ли мы добавить больше «именованных тестов» в этот список линейных моделей? Например, многомерная регрессия, другие «непараметрические» тесты, биномиальные тесты или RM-ANOVA?
ОБНОВЛЕНИЕ: вопросы о ANOVA и t-тестах были заданы и даны ответы здесь как на SO. Смотрите этот вопрос и помеченные связанные вопросы .
x = rnorm(100); y = rnorm(100); summary(lm(rank(x) ~ rank(y))); cor.test(x, y, method='spearman')