基于统计镜像的顺序分析:一种灵敏,强大,高效且保持平凡性的描述方法,用于分析顺序评估数据

科学领域:

• 统计 统计 统计 统计
• 数据分析 数据分析

背景情况:

• 顺序数据 (平均值,中位数,总分) 的经典统计方法在灵敏度,常规性保存,稳定性和可解释性方面存在局限性.
• 在个人层面分析顺序数据需要无模型,无假设,无同行独立的方法.

研究的目的:

• 介绍基于统计镜像的统计序列分析 (SM-based ordinalysis) 作为个人级别序列数据分析的新描述性统计方法.
• 通过提高灵敏度,普通性保护,稳定性和可解释性来解决古典方法的局限性.

主要方法:

• 开发了一种新的,无模型,无假设,无同行独立和描述性的统计方法:基于SM的普通分析.
• 基于Kabirian的集成同态光学分析与统计镜像来增强估计.
• 创建了Python代码,软件包和软件应用程序,以实现可访问性和可重复性.
• 通过使用正常,分类和多变量分布的蒙特卡洛模拟来验证.

主要成果:

• 基于SM的顺序分析表明,对分布变异的灵敏度提高,顺序保存更强.
• 该方法提供了增强的概率解释性,尺度稳定性和准确性,特别是在歪曲的数据中.
• 描述性估计器分析接近最高正数顺序尺度点的近距离,与经典方法不同.

结论:

• 基于SM的顺序分析是一种广泛适用的统计方法,用于分析临床评估,心理测量,公共卫生,市场研究和调查分析等各个领域的顺序数据.
• 这种方法提供了一个强大的和可解释的替代传统方法的顺序数据分析.
• 参数的自适应定制和优化,统计镜像和基于Kabirian的同型光学分析完善了顺序得分分析.