标准错误二进制变量R

如何使用R计算二进制变量的标准误差？我有一组参与者在多个条件下执行任务。输出可能是0（不正确）或1（正确）。我算过，在未来的方式正确答案和标准误差（SE）的平均比例：标准错误二进制变量R

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

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

但SE是extremelly紧，他们也很难是正确的。可能有人给我一些想法？我发现，未来可能是解决方案，

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

...但我不知道如何将其落实到R.

来源

2016-07-26 user3596790

假设变量X只有2个结果（0/1），我们假设成功的机会（1）等于p。这意味着X遵循伯努利（p）分布。

的均值和方差，然后由p和P *（1-P）/ N，其中Ñ是样本大小给出现在，通过p.est，其中改变p p.est是答案的正确比例。

所以，如果你有一个名为binary 1对成功和0对故障变量：

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

编辑：

你还说，你发现非常小的SE的，这是反直觉的。让我们仔细看看方差的公式：p *（1-p）/ n。分子最大值（p *（1-p））可以取的仅为0.25，即当p = 0.5时。由于我们将它除以n（观察次数），此值只能减小。假设我们有p = 0.5和n = 100，则方差仅为0.0025。为了找到SE，我们取平方根，在这个例子中它将给出0.05的SE。如果你有更多的观察结果，即n> 100那么方差和SE只会减少甚至更多（直觉：更多数据=>更确定性=>更小方差/ SE）。

如果方差/ SE的公式如此解释，您是否还有小SE？

来源

2016-07-26 07:54:00 Marcel10

谢谢你的帮助。代码字很好，但是我得到的值为0.006，这对我没有任何意义。平均准确度为85％时，预期的SE应该更大。不知道可能是什么原因 – user3596790

谢谢Marcel。这很清楚。（p *（1-p））= 0.13 n = 3290，方差非常低，因此我得到SE = 0.006。我虽然是对立的，但是对于大的事情来说，它可能是有道理的。谢谢。 – user3596790

@ user3596790乐意帮忙！如果您的问题已完全解答，请检查上/下箭头下方的复选框 – Marcel10

标准错误二进制变量R

回答

相关问题