H0 和 FM 指数 (dendextend) 下的贝克伽玛分布
Baker's Gamma Distribution under H0 and FM index (dendextend)
我对 dendextend 包中的 Baker's Gamma 和 FM 指数有一些疑问。
- H0 下 Baker 伽马分布的解释是什么？即你什么时候拒绝原假设？
cor_FM_index 和 FM_index 有什么区别？期望值和方差似乎保持不变，但指数值不同。- Bk 图显示了不同 k 值的 FM 指数。从这样的情节可以得出什么结论？
H0 是 "high" 两个项目在一个节点中的合并方式与另一个节点中的值之间没有相关性。如果两个树枝相等，那么对于每两片树叶，它们合并的树枝的高度将相同，因此它们的面包师伽马（所有此类对的相关性）将为 1。如果两棵树完全不相似，则它们的相关性将接近于 0。两者之间的显着性意味着存在某种类型的相似性。一般来说，两片叶子越多，一边的"close"，那么另一边的叶子就会靠得更近。与任何相关性一样，边界情况下的确切含义不能仅通过 cor 值来推断。
cor_FM_index 使用 FM_index，但以 "correct" 方式使用。看看cor_FM_index的代码就知道如何了。
可以看出两棵树在哪个层次上相似。例如，如果您有两棵树（t1 和 t2），每棵树都有两个包含完全相同项目的子族，那么它们的 Bk (k=2) 将为 1。但是当您用k=3，它们的子树将不再包含 t1 和 t2 中完全相同的项目。因此，它是在砍伐树木的不同级别上衡量树木相似性的指标。如果树是相同的，则应该一直是 Bk=1。如果它们在某些高度上相似，则这些 Bk 值将很重要。
希望对您有所帮助，感谢您的提问。
我对 dendextend 包中的 Baker's Gamma 和 FM 指数有一些疑问。
- H0 下 Baker 伽马分布的解释是什么？即你什么时候拒绝原假设？
cor_FM_index和FM_index有什么区别？期望值和方差似乎保持不变，但指数值不同。- Bk 图显示了不同 k 值的 FM 指数。从这样的情节可以得出什么结论？
H0 是 "high" 两个项目在一个节点中的合并方式与另一个节点中的值之间没有相关性。如果两个树枝相等，那么对于每两片树叶，它们合并的树枝的高度将相同，因此它们的面包师伽马（所有此类对的相关性）将为 1。如果两棵树完全不相似，则它们的相关性将接近于 0。两者之间的显着性意味着存在某种类型的相似性。一般来说，两片叶子越多，一边的"close"，那么另一边的叶子就会靠得更近。与任何相关性一样，边界情况下的确切含义不能仅通过 cor 值来推断。
cor_FM_index 使用 FM_index，但以 "correct" 方式使用。看看cor_FM_index的代码就知道如何了。
可以看出两棵树在哪个层次上相似。例如，如果您有两棵树（t1 和 t2），每棵树都有两个包含完全相同项目的子族，那么它们的 Bk (k=2) 将为 1。但是当您用k=3，它们的子树将不再包含 t1 和 t2 中完全相同的项目。因此，它是在砍伐树木的不同级别上衡量树木相似性的指标。如果树是相同的，则应该一直是 Bk=1。如果它们在某些高度上相似，则这些 Bk 值将很重要。
希望对您有所帮助，感谢您的提问。