R语言的各种检验.docVIP

R语言的各种检验 1、W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验) 检验数据是否符合正态分布，R函数：shapiro.test(). 结果含义：当p值小于某个显著性水平α(比如0.05)时，则认为样本不是来自正态分布的总体，否则则承认样本来自正态分布的总体。 2、K检验(经验分布的Kolmogorov-Smirnov检验) R函数:ks.test(),如果P值很小，说明拒绝原假设，表明数据不符合F(n,m)分布。 3、相关性检验： R函数：cor.test() cor.test(x, y, alternative = c(two.sided, less, greater),method = c(pearson, kendall, spearman),exact = NULL, conf.level = 0.95, ...) 结果含义：如果p值很小，则拒绝原假设，认为x,y是相关的。否则认为是不相关的。 4、T检验 用于正态总体均值假设检验，单样本，双样本都可以。 t.test() t.test(x, y = NULL, alternative = c(two.sided, less, greater),mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, ...) 结果意义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于） 5、正态总体方差检验 t.test(x, y = NULL, alternative = c(two.sided, less, greater),mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, ...) 结果含义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于） 6、二项分布总体假设检验 binom.test(x, n, p = 0.5, alternative = c(two.sided, less, greater),conf.level = 0.95) 原假设：p=p0,p 7、Pearson 拟合优度χ2检验 chisq.test(x, y = NULL, correct = TRUE, p = rep(1/length(x), length(x)), rescale.p = FALSE, simulate.p.value = FALSE, B = 2000) 原假设H0：X符合F分布。 p-值小于某个显著性水平，则表示拒绝原假设，否则接受原假设。 8、Fisher精确的独立检验： fisher.test(x, y = NULL, workspace = 200000, hybrid = FALSE, control = list(), or = 1, alternative = two.sided,conf.int = TRUE, conf.level = 0.95) 原假设：X,Y相关。 9、McNemar检验： mcnemar.test(x, y = NULL, correct = TRUE) 原假设：两组数据的频数没有区别。 10、秩相关检验 cor.test(x, y, alternative = c(two.sided, less, greater),method = spearman, conf.level = 0.95, ...) 原假设：x,y相关. 11、Wilcoxon秩检验 wilcox.test(x, y = NULL, alternative = c(two.sided, less, greater), mu = 0, paired = FALSE, exact = NULL, correct = TRUE, conf.int = FALSE, conf.level = 0.95, ...) 原假设：中位数大于，小于，不等于mu.