標準錯誤二進制變量R

如何使用R計算二進制變量的標準誤差？我有一組參與者在多個條件下執行任務。輸出可能是0（不正確）或1（正確）。我算過，在未來的方式正確答案和標準誤差（SE）的平均比例：標準錯誤二進制變量R

mean<-tapply(dataRsp$Accuracy, dataRsp$Condition, FUN=mean) 

SE<- with(dataRsp, tapply(Accuracy, Condition, sd)/sqrt(summary(dataRsp$Condition)))

但SE是extremelly緊，他們也很難是正確的。可能有人給我一些想法？我發現，未來可能是解決方案，

sqrt(p.est*(1-p.est)/n)

...但我不知道如何將其落實到R.

來源

2016-07-26 user3596790

假設變量X只有2個結果（0/1），我們假設成功的機會（1）等於p。這意味着X遵循伯努利（p）分佈。

的均值和方差，然後由p和P *（1-P）/ N，其中Ñ是樣本大小給出現在，通過p.est，其中改變p p.est是答案的正確比例。

所以，如果你有一個名爲binary 1對成功和0對故障變量：

p.est <- mean(binary) 
variance <- (p.est*(1-p.est))/nrow(binary) 
std.dev <- sqrt(variance)

編輯：

你還說，你發現非常小的SE的，這是反直覺的。讓我們仔細看看方差的公式：p *（1-p）/ n。分子最大值（p *（1-p））可以取的僅爲0.25，即當p = 0.5時。由於我們將它除以n（觀察次數），此值只能減小。假設我們有p = 0.5和n = 100，則方差僅爲0.0025。爲了找到SE，我們取平方根，在這個例子中它將給出0.05的SE。如果你有更多的觀察結果，即n> 100那麼方差和SE只會減少甚至更多（直覺：更多數據=>更確定性=>更小方差/ SE）。

如果方差/ SE的公式如此解釋，您是否還有小SE？

來源

2016-07-26 07:54:00 Marcel10

謝謝你的幫助。代碼字很好，但是我得到的值爲0.006，這對我沒有任何意義。平均準確度爲85％時，預期的SE應該更大。不知道可能是什麼原因 – user3596790

謝謝Marcel。這很清楚。（p *（1-p））= 0.13 n = 3290，方差非常低，因此我得到SE = 0.006。我雖然是對立的，但是對於大的事情來說，它可能是有道理的。謝謝。 – user3596790

@ user3596790樂意幫忙！如果您的問題已完全解答，請檢查上/下箭頭下方的複選框 – Marcel10

標準錯誤二進制變量R

回答

相關問題