Vì vậy, hãy so sánh hai phân phối bình thường
Do this x times:
runs <- 100000
a.samples <- rnorm(runs, mean = 5)
b.samples <- rbeta(runs, mean = 0)
mc.p.value <- sum(a.samples > b.samples)/runs
Giá trị mc.p. giảm xuống dưới mức alpha (0,05) của chúng tôi chia cho x sau đó sẽ đưa ra tỷ lệ lỗi type1. H0 của chúng tôi là a.samples> = b.samples. (Lấy cảm hứng từ https://www.countbayesie.com/blog/2015/3/3/6-amazed-trick-with-monte-carlo-simutions )
Nhưng, tôi nghĩ rằng một mô phỏng montecarlo phải tuân theo các bước sau:
Thuật toán:
- Thiết lập một số phân phối cho dữ liệu, f () hoặc f (θ) và một số H0
- Lặp lại hai bước sau nhiều lần: (a) Mô phỏng tập dữ liệu theo H0 (b) Tính T (x) bằng dữ liệu mô phỏng
- Thêm T (X) được đánh giá từ dữ liệu mẫu
- Đặt hàng tất cả các T (x) s
- giá trị p là tỷ lệ của T (x) s là cực trị hoặc cực trị hơn so với giá trị từ dữ liệu mẫu
Vì vậy, đoạn mã đầu tiên không phải là mô phỏng caro bona fide monte? và là giá trị p hợp lệ, bởi vì, nếu bạn đi vào biểu đồ, bạn không nhận được tỷ lệ lỗi 5% type1 dự kiến mà người ta có thể mong đợi cho một bài kiểm tra thống kê.