Question

系统要求我使用t.test()函数来计算测试统计量，但是我需要减少I类错误。我的教授向我们展示了如何更改此功能的置信度，但没有为零假设检验提供可接受的I型错误。目标是使参数根据.01错误率而非正常的.05自动计算p值。

下面的r代码涉及我已下载的数据集。

t.test(mid$log_radius_area, mu=8.456)

Answer 1

我觉得我已经在某个地方回答了这个问题，但似乎无法在SO或CrossValidated上找到它。

与this question类似，答案是t.test()没有为拒绝/失败拒绝无效假设指定任何个阈值；它报告一个p值，您可以决定是否拒绝。（conf.level参数用于调整输出报告的置信区间。）

来自?t.test：

t.test(1:10, y = c(7:20))

    Welch Two Sample t-test

data:  1:10 and c(7:20)
t = -5.4349, df = 21.982, p-value = 1.855e-05
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -11.052802  -4.947198
sample estimates:
mean of x mean of y 
      5.5      13.5

此处p值报告为1.855e-05，因此对于任何（预先指定）alpha级别> 1.855e-05而言，原假设将被拒绝。请注意，输出不会在任何地方说“零假设在alpha = 0.05时被拒绝”或类似的东西。您可以使用保存在测试结果中的$p.value元素来编写自己的函数来做到这一点：

report_test <- function(tt, alpha=0.05) {
    cat("the null hypothesis is ")
    if (tt$p.value > alpha) {
       cat("**NOT** ")
    }
    cat("rejected at alpha=",alpha,"\n")
}
tt <- t.test(1:10, y = c(7:20))
report_test(tt)
## the null hypothesis is rejected at alpha= 0.05

大多数R包/函数编写者都不想这样做，因为他们认为对于用户来说，这样做应该足够简单。

是否可以使用t.test（）函数更改I类错误阈值？

1 个答案: