s********u
发帖数: 344 | 1 比较两个样本的均值。样本说大不大，说小不小， 1000左右，完全不是正态分布。因
为样本还算大，能够用上central limit theorem 吧。那就z检验吧，得到两个样本均
值是不同的结论 p=0.014。
没事有试了一下log transformation，看上去正态多了，结果得到了p=0.24。
也看过有些文献说做了transformation很多统计量会变，但是这样的结果我该怎么解释
呐？ |
I*****a
发帖数: 5425 | 2 Maybe because the distribution of means are not normal enough ?
How about looking at the their distributions using bootstrap.
【在 s********u 的大作中提到】
: 比较两个样本的均值。样本说大不大，说小不小， 1000左右，完全不是正态分布。因
: 为样本还算大，能够用上central limit theorem 吧。那就z检验吧，得到两个样本均
: 值是不同的结论 p=0.014。
: 没事有试了一下log transformation，看上去正态多了，结果得到了p=0.24。
: 也看过有些文献说做了transformation很多统计量会变，但是这样的结果我该怎么解释
: 呐？
|
s*r
发帖数: 2757 | 3 log transformation actually checks whether the ratio of 2 geometric mean is
1. i guess you will get similar p if you use permutation test to get an
empirical null
【在 s********u 的大作中提到】
: 比较两个样本的均值。样本说大不大，说小不小， 1000左右，完全不是正态分布。因
: 为样本还算大，能够用上central limit theorem 吧。那就z检验吧，得到两个样本均
: 值是不同的结论 p=0.014。
: 没事有试了一下log transformation，看上去正态多了，结果得到了p=0.24。
: 也看过有些文献说做了transformation很多统计量会变，但是这样的结果我该怎么解释
: 呐？
|
r********2
发帖数: 19 | 4 既然用了clt，我们应该不需要原分布是normal的吧。
这个是应该可以预计到的结果。log transformation 对不同值转换的效果不一样，在
>1的range 里，使得两个数的距离变小。所以变得不显著了啊。但是两个test是在检验
不同的mean。
(司徒丢丢) 的大作中提到: 】 |
P****D
发帖数: 11146 | 5 因为取对数之后你检验的是两个样本均值的商，这跟你检验两个样本均值的差，能一样
嘛。 |
a*****3
发帖数: 601 | 6 correct
【在 P****D 的大作中提到】
: 因为取对数之后你检验的是两个样本均值的商，这跟你检验两个样本均值的差，能一样
: 嘛。
|
j*****e
发帖数: 182 | 7 Based on what you said "没事有试了一下log transformation，看上去正态多了，结
果得到了p=0.24。"
log_normal can be used to model the two distributions.
Let's say the first distribution is log_normal (mu1, sigma1), the second
distribution is log_normal(mu2,sigma2).
Since your p-value is large (0.24), mu1 is not sig. different from mu2.
The mean of the fist log_normal is exp(mu1+0.5*sigma1**2). The mean of the
second log_normal is exp(mu2+0.5*sigma**2).
You said "那就z检验吧，得到两个样本均值是不同的结论 p=0.014。
This implies sigma1 is not equivalent to sigma2.
In summary, you have two distributions (possible positive distributions)
skewed to the right. They have the same median (exp(mu1)=exp(mu2)). Their
means are different, because the scale parameters on the log_scale are
different.
There is nothing wrong the CLT. |
h****i
发帖数: 79 | 8 Good answer. Mark!
【在 j*****e 的大作中提到】
: Based on what you said "没事有试了一下log transformation，看上去正态多了，结
: 果得到了p=0.24。"
: log_normal can be used to model the two distributions.
: Let's say the first distribution is log_normal (mu1, sigma1), the second
: distribution is log_normal(mu2,sigma2).
: Since your p-value is large (0.24), mu1 is not sig. different from mu2.
: The mean of the fist log_normal is exp(mu1+0.5*sigma1**2). The mean of the
: second log_normal is exp(mu2+0.5*sigma**2).
: You said "那就z检验吧，得到两个样本均值是不同的结论 p=0.014。
: This implies sigma1 is not equivalent to sigma2.
|
z******n
发帖数: 397 | 9 有道理，不过因为log_normal的median是exp(mu)，所以从检验mu1=mu2的目标来看，可
以用非参数检验来test变换过后data的median。对变换过后的data用z检验，零假设就
变了。
【在 j*****e 的大作中提到】
: Based on what you said "没事有试了一下log transformation，看上去正态多了，结
: 果得到了p=0.24。"
: log_normal can be used to model the two distributions.
: Let's say the first distribution is log_normal (mu1, sigma1), the second
: distribution is log_normal(mu2,sigma2).
: Since your p-value is large (0.24), mu1 is not sig. different from mu2.
: The mean of the fist log_normal is exp(mu1+0.5*sigma1**2). The mean of the
: second log_normal is exp(mu2+0.5*sigma**2).
: You said "那就z检验吧，得到两个样本均值是不同的结论 p=0.014。
: This implies sigma1 is not equivalent to sigma2.
|
