R语言使用pwr包的pwr.t.test函数对分组样本数相同的t检验进行效用分析（power analysis）、在已知效应量(effect size)、显著性水平(sig)、样本量(sample size)的情况下计算假设检验的效用值（power）

目录

R语言使用pwr包的pwr.t.test函数对分组样本数相同的t检验进行效用分析（power analysis）、在已知效应量(effect size)、显著性水平、样本量的情况下计算假设检验的效用值相关推荐

  1. R语言使用pwr包的pwr.t.test函数对分组样本数相同的t检验进行效用分析（power analysis）、在已知效应量(effect size)、显著性水平、效用值的情况下计算需要的样本量

    R语言使用pwr包的pwr.t.test函数对分组样本数相同的t检验进行效用分析(power analysis).在已知效应量(effect size).显著性水平(sig).效用值(power)的情 ...

  2. R语言使用pwr包的pwr.chisq.test函数对卡方检验进行效用分析（power analysis）、在已知效应量(effect size)、显著性水平、效用值的情况下计算需要的样本量

    R语言使用pwr包的pwr.chisq.test函数对卡方检验(Chi-square tests)进行效用分析(power analysis).在已知效应量(effect size).显著性水平(si ...

  3. R语言使用pwr包的pwr.r.test函数对相关信息分析进行效用分析（power analysis）、在已知效应量(effect size)、显著性水平、效用值的情况下计算需要的样本量

    R语言使用pwr包的pwr.r.test函数对相关信息分析(Correlations)进行效用分析(power analysis).在已知效应量(effect size).显著性水平(sig).效用值 ...

  4. R语言使用pwr包的pwr.f2.test函数对线性回归模型进行效用分析（power analysis）、在已知效应量(effect size)、显著性水平、效用值的情况下计算需要的样本量

    R语言使用pwr包的pwr.f2.test函数对线性回归模型(Linear models)进行效用分析(power analysis).在已知效应量(effect size).显著性水平(sig).效 ...

  5. R语言使用pwr包的pwr.t2n.test函数对分组样本数不同的t检验进行效用分析（power analysis）的语法

    R语言使用pwr包的pwr.t2n.test函数对分组样本数不同的t检验进行效用分析(power analysis)的语法 目录

  6. R语言使用epiDisplay包的roc.from.table函数可视化临床诊断表格数据对应的ROC曲线并输出新的诊断表、设置cex参数指定AUC值及其文本标签字体的大小

    R语言使用epiDisplay包的roc.from.table函数可视化临床诊断表格数据对应的ROC曲线并输出新的诊断表(diagnostic table).输出灵敏度.1-特异度.AUC值等.设置c ...

  7. R语言使用timeROC包计算存在竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值、并可视化多个标记物在相同时间下的ROC值、多指标的ROC曲线(Time-dependent R

    R语言使用timeROC包计算存在竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值.并可视化多个标记物在相同时间下的ROC值.多指标的ROC曲线(Time-dependent R ...

  8. R语言使用timeROC包计算无竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值、并可视化多个标记物在相同时间下的ROC值、多指标的ROC曲线

    R语言使用timeROC包计算无竞争情况下的生存资料多个标记物在相同时间下的cox及协变量分析AUC值.并可视化多个标记物在相同时间下的ROC值.多指标的ROC曲线(Time-dependent RO ...

  9. R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值、R语言使用timeROC包的plotAUCcurve函数可视化多时间生存资料的不同标记物情况下对应的AUC曲线、并进行对比

    R语言使用timeROC包计算无竞争情况下的生存资料多时间AUC值.R语言使用timeROC包的plotAUCcurve函数可视化多时间生存资料的不同标记物情况下对应的AUC曲线.并进行对比 目录

最新文章

  1. 基于Python语言Hamcrest断言的使用
  2. Go实战--也许最快的Go语言Web框架kataras/iris初识三(Redis、leveldb、BoltDB)
  3. stm32 USB增加端点总结
  4. @Resource VS @Autowired
  5. Java几种常量池区分（字符串常量池、class常量池和运行时常量池）
  6. 数据挖掘和机器学习之间，主要有什么区别和联系？
  7. Untiy 接入 移动MM 详解 转
  8. 看雪CTF.TSRC 2018 团队赛 第一题 初世纪 writeup
  9. 从餐具的生产说到抽象工厂
  10. 数据结构与算法 — 约瑟夫问题(Josephu)
  11. 第三届长安杯解析（2次修订版）镜像＋具体解析＋个人详细解题过程，涉及多个模块，我会努力把所有写好，可以做一下题目，提升很明显。
  12. 【Java】检查二叉树是否平衡。
  13. 微信小程序跳转h5链接(web-view)
  14. Datawhale 1月leetcode
  15. 任天堂游戏服务器系统,传闻：任天堂正在替换用了18年的多人服务器系统
  16. 三只大老虎和三只小老虎过河
  17. 【Codeforces】659D Bicycle Race（多边形内角和公式...）
  18. 数据中台实战（一）：以B2B电商亿订为例，谈谈产品经理视角下的数据埋点
  19. ubuntu16.04安装wechat
  20. 解方程AX=b与矩阵分解：奇异值分解（SVD分解） 特征值分解 QR分解 三角分解 LLT分解

热门文章

  1. 元气满满 开工大吉 2020「升职加薪，走好这三步...」
  2. i7 7代 linux,【Intel 酷睿i7 7代（移动版）参数】Intel 酷睿i7 7代（移动版）系列CPU参数-ZOL中关村在线...
  3. 在leangoo里怎么复制卡片，删除卡片，查看任务轨迹？
  4. LVI：激光雷达子系统的特征提取梳理
  5. 重磅直播|计算深度分割技术的实现与全局效应下的结构光三维重建
  6. Bootstrap中文本的样式
  7. Numpy中的meshgrid()函数
  8. Nat. Rev. Neurol. | 机器学习在神经退行性疾病诊断和治疗中的应用
  9. android中有关invisible，visible,gone的区别
  10. 图表复现|PRD地下水微生物群落的多样性分析文献