Base de datos

Prueba de hipótesis

    One Sample t-test

data:  ToothGrowth$len
t = 0.82361, df = 59, p-value = 0.4135
alternative hypothesis: true mean is not equal to 18
95 percent confidence interval:
 16.83731 20.78936
sample estimates:
mean of x 
 18.81333 

# A tibble: 1 × 10
  estim…¹ estim…² estim…³ stati…⁴ p.value param…⁵ conf.…⁶ conf.…⁷ method alter…⁸
    <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl> <chr>  <chr>  
1     3.7    20.7    17.0    1.92  0.0606    55.3  -0.171    7.57 Welch… two.si…
# … with abbreviated variable names ¹​estimate, ²​estimate1, ³​estimate2,
#   ⁴​statistic, ⁵​parameter, ⁶​conf.low, ⁷​conf.high, ⁸​alternative

Idenntificación

     [,1] [,2]  [,3]  [,4] [,5]  [,6] [,7]  [,8]  [,9] [,10] [,11] [,12] [,13]
ACF  0.78 0.62  0.46  0.34 0.26  0.19 0.14  0.09  0.02 -0.04 -0.12 -0.16 -0.15
PACF 0.78 0.02 -0.06 -0.03 0.04 -0.02 0.00 -0.03 -0.09 -0.05 -0.11  0.02  0.06
     [,14] [,15] [,16] [,17] [,18] [,19] [,20] [,21] [,22] [,23] [,24] [,25]
ACF  -0.15 -0.13 -0.14 -0.16 -0.16 -0.22 -0.25 -0.27 -0.23 -0.17 -0.09 -0.03
PACF -0.02 -0.01 -0.06 -0.06  0.02 -0.15 -0.07 -0.02  0.07  0.03  0.11  0.03

Estimación

initial  value 0.505176 
iter   2 value 0.037368
iter   3 value 0.037366
iter   4 value 0.037362
iter   5 value 0.037356
iter   6 value 0.037350
iter   7 value 0.037348
iter   8 value 0.037348
iter   9 value 0.037348
iter  10 value 0.037347
iter  11 value 0.037347
iter  12 value 0.037347
iter  13 value 0.037347
iter  13 value 0.037347
iter  13 value 0.037347
final  value 0.037347 
converged
initial  value 0.037460 
iter   2 value 0.037449
iter   3 value 0.037440
iter   4 value 0.037439
iter   5 value 0.037434
iter   6 value 0.037433
iter   7 value 0.037433
iter   8 value 0.037433
iter   8 value 0.037433
iter   8 value 0.037433
final  value 0.037433 
converged

• Modelo \(y_t=\phi_1y_{t-1}+\varepsilon_t\)
• Estimación 0.7767.
• Ajuste 2.9427441.

Datos

Estudio alemán de cáncer de mama, horTh: terapia hormnonal, menostat: menopausia, tsize: tamaño del tumor, tgrade: grado del tumpor, pnodes: número de nodos, profrec: progesterona, estrec: estrogeno, time: dias y cens: dato censurado.

Ajuste

Call:
glm(formula = cens ~ pnodes * age * horTh, family = binomial, 
    data = GBSG2)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.7666  -1.0199  -0.7665   1.2383   1.6824  

Coefficients:
                      Estimate Std. Error z value Pr(>|z|)
(Intercept)         -0.8802840  0.7117496  -1.237    0.216
pnodes               0.0998775  0.0987607   1.011    0.312
age                  0.0064011  0.0135780   0.471    0.637
horThyes            -0.1449532  1.5091354  -0.096    0.923
pnodes:age          -0.0002568  0.0018397  -0.140    0.889
pnodes:horThyes      0.0207995  0.2335465   0.089    0.929
age:horThyes        -0.0103794  0.0267799  -0.388    0.698
pnodes:age:horThyes  0.0007661  0.0041094   0.186    0.852

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 939.68  on 685  degrees of freedom
Residual deviance: 887.38  on 678  degrees of freedom
AIC: 903.38

Number of Fisher Scoring iterations: 4

Predicciones

Diseño de experimentos

• Participantes humanos participaron en el experimento (5 hombres, de 22 a 46 años), siguiendo los procedimientos aprobados por la Junta de Revisión Institucional de la Universidad de Nueva York. Todos los participantes tenían agudeza visual normal o correcta a normal, visión de color normal y sin contraindicaciones de resonancia magnética.

• Estimulos

+Los nueve estímulos elegidos tomaron valores de frecuencia y amplitud radial de: [2, 0.9], [3, 0.8], [4, 0.7], [5, 0.6], [6, 0.5], [7, 0.4], [ 8, 0,3], [9, 0,2], [10, 0,1].

• Para cada participante, esos estímulos fueron: [3, 0,8], [5, 0,6], [7, 0,4], [9, 0,2];

• Procedimiento experimental

  • Comenzó con una sesión de entrenamiento conductual, durante la cual los participantes aprendieron cuatro asociados emparejados

  • Durante el escaneo, los participantes completaron dos tipos de recorridos funcionales:

    • Percepción, donde vieron las señales y los estímulos espaciales asociados; y

    • Memoria, donde vieron solo las señales de fijación y recordaron los estímulos espaciales asociados.

  • Para cada participante, los cuatro patrones de frecuencia radial primero se asignaron aleatoriamente a una de las cuatro ubicaciones de ángulo polar en el campo visual

• Durante los bloques de estudio, a los participantes se les presentaron las asociaciones. Se instruyó a los participantes para que mantuvieran la fijación central y aprendieran cada una de las cuatro asociaciones antes de una prueba de memoria

• Durante los bloques de prueba, a los participantes se les presentaron las señales de puntos de fijación de colores y se evaluó su memoria en busca del patrón de estímulo asociado y la ubicación espacial

Modelo lineal generalizado

• Comenzando con la serie de tiempo basada en la superficie de cada participante, usamos GLMdenoise para estimar el patrón neuronal de actividad evocado al percibir y recordar cada estímulo

• Esta técnica primero convierte todas las series de tiempo en un cambio de señal porcentual y determina una función de respuesta hemodinámica óptima para todos los vértices mediante un procedimiento de ajuste lineal iterativo

• Luego identifica los vértices de ruido como vértices con valores R2 negativos en el modelo basado en tareas.

• Luego, deriva los regresores de ruido de la serie temporal de la piscina de ruido mediante el análisis de componentes principales y los proyecta iterativamente fuera de la serie temporal de todos los vértices

• El número óptimo de regresores de ruido se determina en función de la mejora de R2 con validación cruzada para el modelo basado en tareas.