الإحصاء :: SDT. الإحصاء :: حزمة SDT Perl تحتوي على نظرية الكشف عن الإشارة تدابير الحساسية والاستجابة) التحيز.
التحميل الان

الإحصاء :: SDT. الترتيب والملخص

الإحصاء :: SDT. العلامات

كشف الإشارة تحري الأشارة حساسية قياس استجابة-التحيز القياس

الإحصاء :: SDT. وصف

الإحصاء :: حزمة PERL SDT تحتوي على نظرية الكشف عن الإشارة تدابير الحساسية والاستجابة التحيز. الإحصاءات :: حزمة SDT PERL تحتوي على نظرية الكشف عن الإشارة تدابير الحساسية والاستجابة - التحيز - إحصائيات استخدام الإحصاءات :: SDT؛ $ SDT = الإحصاء :: SDT-> NEW ({hits => 50، signal_trials => 50، fals_alarms => 17، noos_trials => 25، صحيح => 2،})؛ $ D = $ sdt-> d_senivity ()؛ $ c = $ sdt-> tiss_bias ()؛ خوارزمية نظرية الكشف عن الإشارة (على سبيل المثال، من D '، A "، تحيز القرار)، على النحو المنصوص عليه من قبل Stanislav و Todorov (1999). يتم توفير كلا بين واجهات الكائنات والوظيفة الموجهة نحو الوظيفة. يجب تقديم القيم على حد سواء الأساليب الموجهة نحو الكائنات والوظيفة، يجب إعطاء المعلمات المسماة التالية كمرجع تجزئة: إما إلى طريقة المنشئ الجديدة، أو (مع النمط الموجه للوظيفة ) في كل وظيفة. في الأساس، إما أن جميع المعلمات الأربعة الأولى مطلوبة (من أجل حساب معدل الضرب والإنذار الخاطئ)، أو الأسعار المطلوبة هي أنفسها مزود. عدد من hits.false_alarmsthe عدد الإنذار الخاطئ. تجارب الإشارة. يتم اشتقاق معدل التضمين من خلال تقسيم عدد الزيارات حسب عدد تجارب الإشاراتs.nise_trials عدد محاكمات الضوضاء. يتم اشتقاق معدل التنبيه الخاطئ من خلال تقسيم عدد الإنذارات الخاطئة عن طريق عدد تجربة الضوضاء. عدد بدائل الاستجابة. الافتراضي = 2 (للحالة الكلاسيكية للكشف عن الإشارة التمييز بين الإشارة + الضوضاء والضوضاء فقط). إذا كان عدد البدائل أكبر من 2، فإن مقياس الحساسية، عند الاتصال D_Senivity، يعتمد على Algoritmsmmsmitms.correcta يدل على Smith (1982) الذي يشير إلى إجراء تصحيح على عدد الزيارات والأطراف الخاطئة أم لا التصحيحية عندما يساوي معدل ضرب أو معدل التنبيه الخاطئ 0 أو 1 (مستحقا، على سبيل المثال، إلى تحفيز قوي ضد الإنذارات الخاطئة، أو التمييز السهل بين الإشارات والضوضاء). هذا مناسب لجميع الوظائف التي تستخدم وظيفة فاي معكوس (الكل باستثناء A_Senivity و griers_bias). إذا تم تعيينه إلى أكبر من 1، يتم تطبيق تحويل LogLinear، أي، إضافة 0.5 إلى كل من عدد الزيارات والأطراف الإنذارية الخاطئة و 1 يضاف إلى عدد محاكمات الإشارة والضوضاء. يتم استبدال هذه التعديلات بغض النظر عن طرف الأسعار أنفسها. إذا تم ضبط معدلات قطرية، فقط (من 0 و 1، فقط) بعدد محاكمات الإشارات / الضوضاء، معتدلة بقيمة 0.5 (على وجه التحديد، حيث n = عدد محاكمات الإشارة أو الضوضاء: 0 يتم استبدال 0 مع 0.5 / n؛ 1 يتم استبدال 1 مع (n - 0.5) / n.stanislav و todorov (1999) تقديم المشورة أن التصحيح الأخير هو الطريقة الأكثر شيوعا للتعامل مع الأسعار القصوى، ولكن أنه قد يكون من قد تكون تدابير حساسية الحساسية ولا تكون مرضية مثل تحول LogLinear المطبق على جميع الزيارات والإنذار الخاطئ. إذا تم تعيينه إلى الصفر (الافتراضي)، لا يتم إجراء أي تصحيح لحساب الأسعار. يجب استخدام هذا فقط عندما أنت تستخدم (1) التدابير المعلمة وتأكد من أن الأسعار ليست في أقصى الحدود من 0 و 1؛ أو (2) الخوارزميات غير البارزية (A_Senivity and griers_bias). بديل لهذه التصحيحات هو، في الواقع، لاستخدام nonparametric التدابير - الخشب هو معدل ضرب. بدلا من تمرير ر هو عدد الزيارات ومحاكمات الإشارة، وإعطاء معدل ضرب مباشرة - ولكن، إذا كان ذلك تفعل ذلك، ضمان أن السعر لا يساوي الصفر أو 1 من أجل تجنب الأخطاء التي ألقيتها وظيفة العكسية PHI (والتي سيتم منحها "NDTRI" خطأ في المجال "). farthis هو معدل التنبيه الخاطئ. بدلا من اجتياز عدد الإنذارات الخاطئة ومحاكمات الضوضاء، امنح معدل التنبيه الخاطئ مباشرة - ولكن، إذا قمت بذلك، فتأكد من أن السعر لا يساوي الصفر أو 1 من أجل تجنب الأخطاء التي ألقيتها وظيفة العكسية (التي سيتم إعطاؤه ك "خطأ في مجال NDTRI"). المتطلبات: متطلبات بيرل: perl.

الإحصاء :: SDT. برامج ذات صلة