Pearson 卡方拟合优度检验
用卡方统计量进行统计显著性检验的重要内容之一。它是依据总体分布状况,计算出分类变量中各类别的期望频数,与分布的观察频数进行对比,
判断期望频数与观察频数是否有显著差异,从而达到从分类变量进行分析的目的。检验来自总体中一类数据其分布是否和理论分布相一致的统计方法
Pearson 卡方统计量:
P_Value检验:
Pearson检验的几种用途:
a. 检验来自总体中一类数据不同水平的差异:
#判断某个总体的不同的水平下是否存在显著差异。
X <- c(210, 312, 170, 85, 223)
n <- sum(X)
m <- length(X)
p <- rep(1/m, m)
K <- sum((X - n*p)^2/(n*p))
K
pr <- 1 - pchisq(K, m - 1)
pr
b. 检验来自总体中一类数据其分布是否和理论分布相一致:
#检验某个总体是否符合理论分布
X <- 0:4
Y <- c(7, 10, 12, 8, 5)
q <- ppois(X, mean(rep(X,Y)))
n <- length(Y)
p[1] <- q[1]
p[n] <- 1 - q[n-1]
for(i in 2:(n - 1)){
p[i] <- q[i] - q[i - 1]
}
chisq.test(Y,p=p)
列联表数据的独立性检验
什么是列联表?
列联表pearson 卡方统计量和P值:
例子:
#列联表
X <- data.frame(
a1 <- c(20, 24, 80, 82),
a2 <- c(22, 38, 104, 125),
a3 <- c(13, 28, 81, 113),
a4 <- c(7, 18, 54, 92)
)
chisq.test(X)
Fisher精确独立检验
针对2X2列联表的独立检验
#Fisher 精确独立检验
x <- c(4,5,18,6)
dim(x) <- c(2,2)
fisher.test(x)
符号检验
binom.test()可以用于符号检验
秩相关检验
秩相关检验不要求验证的数据来自于正态分布。
- spearman 秩检验
cor.test(x,y,alternative = c(“two.sided”, “less”,”greater”), method = “spearman”, conf.level = 0.95)
> #spearman
> x <- c(1,2,3,4,5,6)
> y <- c(6,5,4,3,2,1)
> cor.test(x,y,method = "spearman")
Spearman's rank correlation rho
data: x and y
S = 70, p-value = 0.002778
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-1
- Kendall 检验
cor.test(x,y,alternative = c(“two.sided”, “less”,”greater”), method = “kendall”, conf.level = 0.95)
- Wilconxon 检验
关于正态总体的假设检验就介绍到此。
本篇完结!
参考文献
1.《统计建模与R》
@This site is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 License@