Type I Error Rates of Ft Statistic with Different Trimming Strategies for Two Groups Case
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When the assumptions of normality and homoscedasticity are met, researchers should have no doubt in using classical test such as t-test and ANOVA to test for the equality of central tendency measures for two and more than two groups respectively. However, in real life we do not often encounter with this ideal situation. A robust method known as Ft statistic has been identified as an alternative to the above methods in handling the problem of nonnormality. Motivated by the good performance of the method, in this study we proposed to use Ft statistic with three different trimming strategies, namely, i) fixed symmetric trimming (10%, 15% and 20%), ii) fixed asymmetric trimming (10%, 15% and 20%) and iii) empirically determined trimming, to simultaneously handle the problem of nonnormality and heteroscedasticity. To test for the robustness of the procedures towards the violation of the assumptions, several variables were manipulated. The variables are types of distributions and heterogeneity of variances. Type I error for each procedures were then be calculated. This study will be based on simulated data with each procedure been simulated 5000 times. Based on the Type I error rates, we were able to identify which procedures (Ft with different trimming strategies) are robust and have good control of Type I error. The best procedure that should be taken into consideration is the Ft with MOM - Tn for normal distribution, 15% fixed trimming for skewed normal-tailed distribution and MOM - MADn for skewed leptokurtic distribution. This is because, all of the procedures produced the nearest Type I error rates to the nominal level.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle