russellpierce
2013-03-08 00:57:05
我怀疑你的方法是否最佳。我认为对你的问题更合适的方法是进行两尾一样本t检验，将零假设总体均值设为3。你的李克特量表，然后查看该实际均值差，并确定它对你是否有意义。此外，以这种方式对问题进行取景的前提是你知道锚点的真实值，并且3确实是你要测量的变量的心理空间的中心。这是一个很大的假设（这是对照组和实验操作很好的许多原因之一）。
对于你自己的问题，先进行合并再平均将产生与进行平均再合并不同的结果。我开始为此提出一个数学示例，或者至少是一个模拟...然后我注意到，很大程度上取决于你在平均后进行分 bins 以及在分 bins 后对平均值进行分 bins 时如何精确设置分 bins 边界项目本身。另一个与问题相关的警告是，你的 bins （如上所述）的大小不相等。不等式的数量取决于分档切割点和分档的位置。因此，请确保具有$\chi^2$与装仓相匹配的拟合优空假设。假设你将这些比例设置为适当地匹配你的分档，那么你将能够提出某种“期望值”声明。
纯粹从理论上讲，当你进行分 bins 时，你会丢失信息。你（在信息上）最好进行平均，然后进行合并，而不是相反。但是，这假定答案1确实与你的答案2有所不同。如果你真的认为这些假设与你的假设相同，那么在进行平均之前进行分 bins 是有道理的。
热门github
1
2
3
5
6
7
8
11
13
14
15
Mamba is a new state space model architecture showing promising performance on information-dense data such as language modeling, where previous subquadratic models fall short of Transformers. It is based on the line of progress on structured state space models, with an efficient hardware-aware design and implementation in the spirit of FlashAttention.
(翻译：Mamba 是一种新的状态空间模型架构，在信息密集型数据（例如语言建模）上显示出良好的性能，而之前的二次模型在 Transformers 方面存在不足。它基于结构化状态空间模型的进展，并本着FlashAttention的精神进行高效的硬件感知设计和实现。)
谢谢你，关于t检验的建议是有启发性且适当的。