第四章 非参数验-上课材料.docVIP

第四章 非参数检验 （Nonparametric Tests菜单） 本章学习内容 3.1 非参数检验概述 3.2 卡方检验（Chi Square） 3.3 二项分布检验（Binomial） 3.4 单样本K-S检验（1 Sample K-S Tests） 3.5 单样本变量值随机性检验（Runs） 3.6 两独立样本非参数检验（2 independent Samples） 3.7 多独立样本非参数检验（K independent Samples） 3.7 两相关样本非参数检验（2 Related Samples） 3.8 多相关样本非参数检验（K Related Samples） 具体内容 3.1 非参数检验概述 非参数检验是统计推断的一个重要组成部分，它与参数检验共同构成统计推断的基本内容。参数检验是在假定知道总体分布形式的情况下，对总体分布的某些参数，如均值、方差等进行推断检验。但是，在现实生活中，由于种种原因，人们往往无法对总体的分布形态作简单的假定，但又希望能从样本数据中获得尽可能多的所需要信息。非参数检验正是基于这种考虑，在总体分布位置或知道甚少的情况下，利用样本数据对总体的分布形态或分布参数进行推断。 参数检验与非参数检验方法对照表 样本类型 参数检验方法 非参数检验方法 单个样本 t检验法 t检验法两独立样本非参数检验 曼-惠特尼-U检验 t检验法两相关样本非参数检验 普通符号法（sign） 多独立样本非参数检验 K-W-H方法 多相关样本非参数检验 Friedman方法 3.2 卡方检验（Chi-Square） 总体分布的卡方检验就是根据样本数据推断总体的分布与期望分布或某一理论分布是否有显著差异。它的零假设是H0：样本来自的总体其分布形态与期望分布或某一理论分布无显著差异。总体分布的卡方检验是一种吻合性检验，比较适合于单个因素的多项分类的数据分析。 实例分析： 医学家在研究心脏病人猝死人数与日期的关系时发现，一周之中，星期一心脏病人猝死者较多，其他日期则基本相当，比例近似为2.8：1：1：1：1：1：1Analyze(Nonparametric Tests( Chi-Square，打开卡方检验对话框，如下图。 可以看出，由于相伴概率值大于显著性水平0.05，因此不能拒绝零假设，可以认为样本来自的总体分布于指定的理论分布无显著差异，即：心脏病人猝死人数与日期的关系基本是2.8：1：1：1：1：1：13.3 二项分布检验（Binomial） 现实生活中有很多数据的取值是两类的，例如人群可以分成男性和女性，产品可以分为合格和不合格，学生可以分为三好学生和非三号学生等等。这时，如果某一类情况出现的概率是P，则另一类出现的概率就是1-P，这种分布成为二项分布。若说卡方检验是对单个因素多项分类（多重比例）进行检验，那么二项分布检验就是对单个因素的两项进行检验。 实例分析： 检验一种抗生素对于某种细菌的作用，看有效时间超过12小时的比例是否超过85%，为此进行了试验，结果如文件“抗菌时间.sav”。 从题中可以知道，等价于有效时间不超过12小时的比例为15%，因此，设分布比例为0.15：0.85，H0：P=0.15。 具体操作如下：Analyze(Nonparametric Tests( Binomial，打开二项分布检验对话框。 可以看出，由于检验结果中的P值为0.352，大于显著性水平0.05，因此不能拒绝“抗菌有效时间不高于12小时的比例为15%”的零假设。 习题1： 见文件“抛掷硬币结果binomial.sav”。检验抛掷硬币结果（1为正面，0为反面）的比例大体相等。 3.4 单样本K-S检验（1 Sample K-S Tests） 若说前两种主要是对单样本的分布比例（多项或两项）的检验，那么单样本K（柯尔莫哥，Kolmogorov）-S（斯米诺夫，Smirnov）检验是利用样本数据推断总体是否服从某一理论分布，包括正态分布、均匀分布、指数分布、泊松分布。其零假设是H0：样本来自的总体其分布形态与期望分布或某一理论分布无显著差异。其中应用最多的是正态分布检验。 实例分析： 某条大街在一年内的交通事故按周次分为七类进行统计，见文件“交通事故周次分布.sav”。试问事故的发生是否与星期几有关？（a=0.05） 我们作的零假设为H0：每天发生交通事故次数为均匀分布。 步骤：Analyze(Nonparametric Tests( 1 Sample K-S Tests，打开单样本K-S检验对话框。 单样本k-s检验结果显示：渐进的显著性概率为0.858，远远大于0.05这一给定的显著性水平值，因此没有理由拒绝原假设，即认为每天发生交通事故次数为均匀分布，也就是说事故的发生与星期几无关。 习题2： 见word文档：练习2。