非参数第三章.pptVIP

关于随机性的游程检验（run test） 游程检验方法是检验一个取两个值的变量的这两个值的出现是否是随机的. 例1：假定下面是由0和1组成的一个这种变量的样本（数据run1.sav）： 0 0 0 0 1 1 1 1 1 1 0 0 1 0 1 1 1 0 0 0 0 0 0 0 0 其中相同的0（或相同的1）在一起称为一个游程（单独的0或1也算）. 这个数据中有4个0组成的游程和3个1组成的游程。一共是R 7个游程。其中0的个数为m 15，而1的个数为n 10. 出现0和1的的这样一个过程可以看成是参数为某未知p的Bernoulli试验。但在给定了m和n之后，在0和1的出现是随机的零假设之下，R的条件分布就和这个参数无关了。根据初等概率论，R的分布可以写成（令N m+n） 关于随机性的游程检验（run test） 于是就可以算出在零假设下有关R的概率，以及进行有关的检验了。利用上面公式可进行精确检验；也可以利用大样本的渐近分布和利用Monte Carlo方法进行检验。利用上面数据的结果是 关于随机性的游程检验（run test） 当然，游程检验并不仅仅用于只取两个值的变量，它还可以用于某个连续变量的取值小于某个值及大于该值的个数（类似于0和1的个数）是否随机的问题。看下面例子。 例 run2.sav : 从某装瓶机出来的30盒化妆品的重量如下（单位克） 71.6 71.0 71.8 70.3 70.5 72.9 71.0 71.0 70.1 71.8 71.9 70.3 70.9 69.3 71.2 67.3 67.6 67.7 67.6 68.1 68.0 67.5 69.8 67.5 69.7 70.0 69.1 70.4 71.0 69.9 为了看该装瓶机是否工作正常，首先需要验证是否大于和小于中位数的个数是否是随机的（零假设为这种个数的出现是随机的）。 关于随机性的游程检验（run test） 如果把小于中位数的记为0，否则记为1，上面数据变成下面的0－1序列 1 1 1 1 1 1 1 1 0 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 这就归为上面的问题。当然这里进行这种变换只是为了易于理解。实际计算时，用不着这种变换，计算机会自动处理这个问题的。 直接利用这个数据，通过SPSS，得到下面游程检验结果的输出。 * 第三章 单样本问题 §3.1 广义符号检验和有关的置信区间 例3.1 （数据：ExpensiveCities.TXT ）下面是世界上71个大城市的花费指数按递增次序排列如下（上海是44位，其指数为63.5）： 27.8 27.8 29.1 32.2 32.7 32.7 36.4 36.5 37.5 37.7 38.8 41.9 45.2 45.8 46.0 47.6 48.2 49.9 51.8 52.7 54.9 55.0 55.3 55.5 58.2 60.8 62.7 63.5 64.6 65.3 65.3 65.4 66.2 66.7 67.7 71.2 71.7 73.9 74.3 74.5 76.6 76.8 77.7 77.9 79.1 80.9 81.0 82.6 85.7 86.2 86.4 89.4 89.5 90.3 90.8 91.8 92.8 95.2 97.5 98.2 99.1 99.3 100.0 100.6 104.1 104.6 105.0 109.4 122.4 可以假定这个样本是从世界许多大城市中随机抽样得到的，所有大城市的指数组成了总体.有人说64应该是这种大城市花费指数的中位数（median）;而另外有人说，64顶多是下四分位数（first quantile）.这里看上去有两个关于位置参数的不同检验问题. （1）样本中位数M是否大于64. （2）样本下四分位点Q0.25是否小于64. 由于中位数也是分位点（0.5分位点）.这两个问题实际上是一个问题，即关于分位点的检验问题.当然也出现了求 分位点 的 置信区间问题. 3.1.1 广义符号检验：对分位点进行的检验 所谓的广义符号检验是对连续变量 分位点 进行的检验；而狭义的符号检验则是仅针对中位数 进行的检验.假定检验的零假设是 ， 而备择假设则可能为 记样本中小于 的点数为 ，而大于 的点数为 并且用小写的 和 分别代表