mtest

mtest est une implémentation de Python de la m-test, un test sur deux échantillons basée sur la sélection de modèle et décrit dans [1] et [2].
Malgré leur importance dans le soutien des conclusions expérimentales, les tests statistiques standards sont souvent insuffisants pour des domaines de recherche, comme les sciences de la vie, où la taille typique de l'échantillon est petit et les hypothèses de test difficiles à vérifier. Dans de telles conditions, les tests standards ont tendance à être trop prudente, et ne parviennent ainsi à détecter des effets significatifs dans les données.
Le m-test est un test statistique classique dans le sens de la définition de l'importance avec la limite conventionnelle sur des erreurs de type I. D'autre part, il est basé sur la sélection de modèle bayésien, et prend donc en compte de l'incertitude sur les paramètres du modèle, atténuer le problème de la petite taille des échantillons.
Le m-test a été trouvé pour avoir généralement une puissance plus élevée (plus petite fraction d'erreurs de type II) qu'une erreur t-test pour de petits échantillons (3 à 100 échantillons).
[1] Berkes, P., Fiser, J. (2011) Un test sur deux échantillons fréquentiste basée sur la sélection de modèle bayésien. arXiv: 1104.2826v1
[2] Berkes, P., Orban, G., Lengyel, M., et Fiser, J. (2011). L'activité corticale spontanée révèle caractéristiques d'un modèle interne optimale de l'environnement. Science, 331: 6013, 83-87.
tables MTest
navires MTest caches tableaux statistiques pour calculer la valeur p et la puissance de nouvelles données de la manière la plus efficace. La bibliothèque est distribuée avec des tables pour les valeurs p (Type d'erreur I) pour N = 3,4, ..., 20 et N = 30,40, ..., 100. Ces tableaux couvrent les cas les plus courants. De nouvelles tables sont calculés en cas de besoin, même si la fin peut prendre quelques heures. Tables d'erreur de type II ne sont pas inclus de garder la taille de petit paquet.
Voir scriptscompute_basic_tables.py pour un exemple de script aux tables vous pourriez avoir besoin-calcul pré. . Le script utilise la bibliothèque de JOBLIB de distribuer les calculs sur plusieurs cœurs

Exigences :

• Python
• SciPy
• pymc