第九章1 非参数检验--单样本.pptVIP

第九章 非参数检验 非参数检验的概念 是指在总体不服从正态分布，且分布情况不明时，用来检验数据资料是否来自同一个总体假设，等一类检验方法。 这类方法的假定前提比参数性假设检验方法少的多，也容易满足，适用于计量信息较弱的资料且计算方法也简单易行，所以在实际中有广泛的应用。 非参数检验的过程 1. Chi-Square test 卡方检验 2. Binomial test 二项分布检验 3. Runs test 游程检验 4. 1-Sample Kolmogorov-Smirnov test 一个样本柯尔莫哥洛夫-斯米诺夫检验 5. 2 independent Samples Test 两个独立样本检验 6. K independent Samples Test K个独立样本检验 7. 2 related Samples Test 两个相关样本检验 8 . K related Samples Test 两个相关样本检验 一、 卡方检验 Chi-Square test Ho: 样本来自的总体分布形态和期望分布或某一理论分布没有显著差异 这里用卡方检验可以检验列联表中某一个变量的各个水平是否有同样比例或者等于你所想象的比例(如5:4:1) 服从χ2分布，自由度=k-1 实例1：掷骰子300次，变量LMT，1、2、3、4、5、6分别代表六面的六个点，试问这骰子是否均匀。数据data12-01（300个cases）。 Analyze－ Nonparametric Tests－Chi Square Test Variable: lmt 想要检验的变量 由于这是一个均匀分布检测，使用默认选择（Expected Values：All categories equal作为零假设）； 比较有用的结果：sig=.1110.05，不能拒绝零假设，认为均匀。 实例1的数据可以组织成：两个变量（side面和number次数），6个cases。但在卡方检验前要求用number加权。结果同。 ---------是对出现频率的统计检验，而不是变量数值，所以变量如果是频数本身的话，请用此‘频数’加权个案 补充：卡方检验实例 实例：心脏病人猝死人数与日期的关系，收集168个观测数据。其中用1、2、3、4、5、6、7表示是星期几死的。而人数分别为55、23、18、11、26、20、15。推断心脏病人猝死人数与日期的关系是否为2.8:1:1:1:1:1:1。（变量2个：死亡日期和死亡人数，Cases 7个） 加权：Data－Weight Cases：死亡人数 Analyze－ Nonparametric Tests－Chi Square Test Variable:死亡日期 Expected Values： 2.8:1:1:1:1:1:1 比较有用的结果：sig=.2560.05，不能拒绝零假设，认为心脏病人猝死人数与日期的关系为2.8:1:1:1:1:1:1 。 二、 二项分布检验 Binomial test 只有两种可能，如果某一类出现的概率是P，则另一类出现的概率就是1-P。这种分布称为二项分布。 在现实生活中有很多的取值是两类的，如人群的男和女、产品的合格和不合格、学生的三好学生和非三好学生、投掷硬币的正面和反面。 SPSS二项分布检验的零假设H0：样本来自的总体与所指定的某个二项分布不存在显著的差异。 SPSS中的二项分布检验，在样本小于或等于30时，按照计算二项分布概率的公式进行计算；样本数大于30时，计算的是Z统计量，认为在零假设下，Z统计量服从正态分布。Z统计量的计算公式如下： 　 SPSS将自动计算Z统计量，并给出相应的相伴概率值。 如果相伴概率小于或等于用户的显著性水平α，则应拒绝零假设H0，认为样本来自的总体分布形态与指定的二项分布存在显著差异； 如果相伴概率值大于显著性水平，则不能拒绝零假设H0，认为样本来自的总体分布形态与指定的二项分布不存在显著差异。 SPSS二项分布检验的数据是实际收集到的样本数据，而非频数数据。 所以同样需要加权case 实例1：Strain.sav 18个学生先后学用两种方法打同样的结。紧急情况下选用先学的方法打结的16人，用后学的方法打结的2人。第一种是否90%? 补充：二项分布检验实例 实例：为验证某批产品的一等品率是否达到90％，现从该批产品中随机抽取23个样品进行检测，结果有19个一等品（1－一等品，0－非一等品）。（变量2个：一等品和个数，Cases 2个：1 19 和0 4） 加权：Data－Weight Cases：个数 Analyze－ Nonparametric Tests－ Binomial Test Variable:一等品 Test Propo