R 用约翰逊分布进行均值比较

发布于03月10日

我必须使用Johnson分布来查看在修改偏斜度值(在下面的代码中为.3)时有哪些不同的方法:

library(moments)
library(SuppDists)

k <- 500

parms <-JohnsonFit(c(0, 1, .3, 6))
sJohnson(parms)
poblacion <- rJohnson(1000, parms)

mu.pob <- mean(poblacion)
sd.pob <- sd(poblacion)

p <- vector(length=k)
for (i in p){
  muestra <- poblacion[rJohnson(1000, parms)]
  p[i] <- t.test(muestra, mu = mu.pob)$p.value
}

a_teo = 0.05
a_emp = length(p[p<a_teo])/k
sprintf("alpha_teo = %.3f <-> alpha_emp = %.3f", a_teo, a_emp)

如果我把0.3改为1，我得到了不同的平均值和标准差，但我得到了完全相同的阿尔法经验值:1.000.我的代码出了什么问题？

推荐答案

您的代码中有一些错误.

应该是for(i in seq.int(k))，而不是for(i in p)；
你抽样/重抽样的方式是错误的，poblacion[rJohnson(1000, parms)].索引rJohnson不是整数，也不会索引ppoblacion.正确的方式应该是下面for循环中的任何方式.
虽然你的a_emp的计算没有错，但太复杂了，请看等价的mean(p < a_teo).

以下是已更正的完整代码.

library(moments)
library(SuppDists)

set.seed(2024)

k <- 500

parms <-JohnsonFit(c(0, 1, .3, 6))
# sJohnson(parms)
poblacion <- rJohnson(1000, parms)

mu.pob <- mean(poblacion)
sd.pob <- sd(poblacion)

p <- numeric(k)
for(i in seq.int(k)){
  # muestra <- sample(poblacion, 1000, TRUE)
  muestra <- rJohnson(1000, parms)
  p[i] <- t.test(muestra, mu = mu.pob)$p.value
}

a_teo <- 0.05
a_emp <- length(p[p<a_teo])/k
mean(p < a_teo)
#> [1] 0.042
sprintf("alpha_teo = %.3f <-> alpha_emp = %.3f", a_teo, a_emp)
#> [1] "alpha_teo = 0.050 <-> alpha_emp = 0.042"

^{创建于2024-03-10，共reprex v2.1.0个}