如何在 R 中執行引導配對 t 檢驗？

Question

我想在 R 中執行引導配對 t 檢驗。我已經嘗試了使用參數配對 t 檢驗時返回 p<.05 的多個數據集，但是當我運行引導時，我得到 0.4 和 0.5 之間的 p 值. 我運行這個錯誤嗎？

   differences<-groupA-groupB
   t.test(differences) #To get the t-statistic e.g. 1.96

   Repnumber <- 10000                  
   tstat.values <- numeric(Repnumber)       
   for (i in 1:Repnumber) {
     group1 = sample(differences, size=length(differences), replace=T)
     tstat.values[i] = t.test(group1)$statistic
   }

   #### To get the bootstrap p-value compare the # of tstat.values
   greater (or lesser) than or equal to the original t-statistic divided
   by # of reps:

   sum(tstat.values<=-1.96)/Repnumber

謝謝！

Answer 1

看起來你在比較蘋果和橘子。 對於differences的單一 t 檢驗，您將獲得 t 統計量，如果大於臨界值，則表明group1和group2之間的差異是否顯着不同於零。 您的引導代碼執行相同的操作，但對於 10,000 個differences引導樣本，您可以估計差異總體中differences隨機樣本的 t 統計量differences 。 如果您取這些自舉 t-statistics ( mean(tstat.values) ) 的mean(tstat.values)您會發現它與來自完整differences樣本的單個 t-statistic 大致相同。

sum(tstat.values<=-1.96)/Repnumber為您提供小於 -1.96 的自舉 t 統計量的百分比。 這是對在來自總體的重復隨機樣本中獲得小於 -1.96 的 t 統計量的時間百分比的估計值。 我認為這本質上是對在給定樣本量和顯着性水平下檢測group1和group2之間給定大小差異的檢驗group2的估計，盡管我不確定這種功效分析的穩健性。

就正確引導 t 檢驗而言，我認為您實際需要做的是某種排列測試，與反復改組數據上的標簽並在每個打亂的數據集。 您可能想在CrossValidated上提問，以獲得有關如何正確處理數據的建議。 這些 CrossValidated 答案可能會有所幫助： here 、 here和here 。