এই চার্টটি তৈরি করতে আমি গড় বন্টন থেকে গড় আকার = 0 এবং এসডি = 1 দিয়ে বিভিন্ন আকারের এলোমেলো নমুনা তৈরি করেছি। আত্মবিশ্বাসের বিরতিগুলি তখন t.est () ফাংশন সহ .001 থেকে .999 (লাল রেখা) পর্যন্ত আলফা কাট অফ ব্যবহার করে গণনা করা হত, প্রোফাইলের সম্ভাবনাটি নীচের কোডটি ব্যবহার করে গণনা করা হত যা আমি বক্তৃতা নোটগুলিতে লাইন লাগিয়ে খুঁজে পেয়েছি (আমি পারি ' টি এই মুহুর্তে লিঙ্কটি সন্ধান করুন সম্পাদনা করুন: এটি পাওয়া গেছে ), এটি নীল রেখাগুলি দ্বারা প্রদর্শিত হয়। সবুজ রেখাগুলি আর ঘনত্ব () ফাংশনটি ব্যবহার করে স্বাভাবিক ঘনত্ব দেখায় এবং প্রতিটি চার্টের নীচে বক্সপ্লটগুলি দ্বারা ডেটা প্রদর্শিত হয়। ডানদিকে 95% আত্মবিশ্বাস অন্তর (লাল) এবং সর্বাধিক সম্ভাবনার অন্তরগুলির 1/20 তম (নীল) এর একটি শুঁয়োপোকা প্লট রয়েছে।
প্রোফাইল সম্ভাবনার জন্য আর কোড ব্যবহৃত:
#mn=mean(dat)
muVals <- seq(low,high, length = 1000)
likVals <- sapply(muVals,
function(mu){
(sum((dat - mu)^2) /
sum((dat - mn)^2)) ^ (-n/2)
}
)
আমার সুনির্দিষ্ট প্রশ্ন হ'ল এই দুই ধরণের অন্তরগুলির মধ্যে একটি পরিচিত সম্পর্ক আছে এবং কেন আস্থাভাবাপন্ন বিরতি সমস্ত ক্ষেত্রেই বেশি রক্ষণশীল বলে মনে হচ্ছে এন = 3 বাদে। আমার গণনা বৈধ কিনা তা সম্পর্কে মন্তব্য / উত্তরগুলি (এবং এটি করার আরও ভাল উপায়) এবং এই দুই ধরণের অন্তরগুলির মধ্যে সাধারণ সম্পর্কও কাঙ্ক্ষিত।
আর কোড:
samp.size=c(3,4,5,10,20,1000)
cnt2<-1
ints=matrix(nrow=length(samp.size),ncol=4)
layout(matrix(c(1,2,7,3,4,7,5,6,7),nrow=3,ncol=3, byrow=T))
par(mar=c(5.1,4.1,4.1,4.1))
for(j in samp.size){
#set.seed(200)
dat<-rnorm(j,0,1)
vals<-seq(.001,.999, by=.001)
cis<-matrix(nrow=length(vals),ncol=3)
cnt<-1
for(ci in vals){
x<-t.test(dat,conf.level=ci)$conf.int[1:2]
cis[cnt,]<-cbind(ci,x[1],x[2])
cnt<-cnt+1
}
mn=mean(dat)
n=length(dat)
high<-max(c(dat,cis[970,3]), na.rm=T)
low<-min(c(dat,cis[970,2]), na.rm=T)
#high<-max(abs(c(dat,cis[970,2],cis[970,3])), na.rm=T)
#low<--high
muVals <- seq(low,high, length = 1000)
likVals <- sapply(muVals,
function(mu){
(sum((dat - mu)^2) /
sum((dat - mn)^2)) ^ (-n/2)
}
)
plot(muVals, likVals, type = "l", lwd=3, col="Blue", xlim=c(low,high),
ylim=c(-.1,1), ylab="Likelihood/Alpha", xlab="Values",
main=c(paste("n=",n),
"True Mean=0 True sd=1",
paste("Sample Mean=", round(mn,2), "Sample sd=", round(sd(dat),2)))
)
axis(side=4,at=seq(0,1,length=6),
labels=round(seq(0,max(density(dat)$y),length=6),2))
mtext(4, text="Density", line=2.2,cex=.8)
lines(density(dat)$x,density(dat)$y/max(density(dat)$y), lwd=2, col="Green")
lines(range(muVals[likVals>1/20]), c(1/20,1/20), col="Blue", lwd=4)
lines(cis[,2],1-cis[,1], lwd=3, col="Red")
lines(cis[,3],1-cis[,1], lwd=3, col="Red")
lines(cis[which(round(cis[,1],3)==.95),2:3],rep(.05,2),
lty=3, lwd=4, col="Red")
abline(v=mn, lty=2, lwd=2)
#abline(h=.05, lty=3, lwd=4, col="Red")
abline(h=0, lty=1, lwd=3)
abline(v=0, lty=3, lwd=1)
boxplot(dat,at=-.1,add=T, horizontal=T, boxwex=.1, col="Green")
stripchart(dat,at=-.1,add=T, pch=16, cex=1.1)
legend("topleft", legend=c("Likelihood"," Confidence Interval", "Sample Density"),
col=c("Blue","Red", "Green"), lwd=3,bty="n")
ints[cnt2,]<-cbind(range(muVals[likVals>1/20])[1],range(muVals[likVals>1/20])[2],
cis[which(round(cis[,1],3)==.95),2],cis[which(round(cis[,1],3)==.95),3])
cnt2<-cnt2+1
}
par(mar=c(5.1,4.1,4.1,2.1))
plot(0,0, type="n", ylim=c(1,nrow(ints)+.5), xlim=c(min(ints),max(ints)),
yaxt="n", ylab="Sample Size", xlab="Values")
for(i in 1:nrow(ints)){
segments(ints[i,1],i+.2,ints[i,2],i+.2, lwd=3, col="Blue")
segments(ints[i,3],i+.3,ints[i,4],i+.3, lwd=3, col="Red")
}
axis(side=2, at=seq(1.25,nrow(ints)+.25,by=1), samp.size)
mn
একটি টাইপোmu
, এবং নাmean(dat)
। আমি মন্তব্য মধ্যে তোমাকে বলেছিলাম আপনার অন্য প্রশ্ন , এই সংজ্ঞা পৃষ্ঠা 23 থেকে স্পষ্ট হওয়া উচিত