气候统计基本气候状态的统计检验幻灯片.ppt

对于“位置”的古典非参数检验 对于位置差异的检验有两种古典非参数检验方法： 用于独立的双样本—— Wilcoxon-Mann-Whitney rank-sum test——类似于标准Gaussian分布检验统计量。 用于成对的双样本—— Wilcoxon signed-rank test——类似于上述检验统计量对应的成对检验统计量。 Wilcoxon-Mann-Whitney rank-sum test 在1940s分别由Wilcoxon，以及Mann和Whitney发现。 该检验即resistance（不受异常值的影响），又robustness（如若检验满足t分布，也可采用该方法检验）。 对于独立的两数据（既不存在时间上的相关，也不为“pair”） Wilcoxon-Mann-Whitney rank-sum test 目标是检验两组数据位置差异是否显著： 给出原假设为：两数据位置（平均值）相同，来自于相同的分布； 可用单边或双边检验。 类似于t检验：如果序列间存在相关，则该序列方差将会增大，将可能会导致不恰当的拒绝原假设； Wilcoxon-Mann-Whitney rank-sum test 上述原假设的前提下，任何一个数据属于其中一组或另一组都是有可能的；两组数据属于同一个经验分布（即可交换性），它们的组合 组成这个经验分布； Rank-sum test statistic不是数据值本身的函数，而是数据排序后序号的函数，数据的基本分布并不重要。 Wilcoxon-Mann-Whitney rank-sum test 将2个样本数据混合并排序： 定义 为数据1的序号和； 定义 为数据2的序号和； 则有： 如果 ，则 和 应近似相等； 若两数据容量不相等，也应满足 和 近似相等； Wilcoxon-Mann-Whitney rank-sum test 在零假设下，n个数据按照2组观测数据容量的大小进行分配方式将会非常多，具体而言，可以有： （其对应的检验统计量构成零分布） 无论如何分配数据，如果观测的 和 在所有的分配方式中属于差异较大的一种分配方式，则拒绝零假设； Wilcoxon-Mann-Whitney rank-sum test 实际分析中采用Mann-Whitney U 统计量： 当两组观测样本容量均大于10，则可以建立近似于Gaussian分布的参数： Wilcoxon-Mann-Whitney rank-sum test——举例 Counts of cloud-to-ground lightning for experimentally seeded and nonseeded storms From Baughman et al. (1976), reproduced with permission of the American Meteorological Wilcoxon-Mann-Whitney rank-sum test——举例（续1） 播撒的雷暴个数： ，平均产生19.25个云对地的闪电； 非播撒的雷暴个数： ，平均产生69.45个云对地的闪电； 非Gaussian分布，有一个非常强的界外置（358），它使得样本标准差为98.93，因此采用t检验非常可能会产生错误的结果。 Wilcoxon-Mann-Whitney rank-sum test——举例（续2） Rank-sum test procedure using the cloud-to-ground lightning data Wilcoxon-Mann-Whitney rank-sum test——举例 原假设：两组数据来自相同分布，闪电个数相同，即播撒不影响闪电个数。 在Gaussian分布下： 查表得到：p值为0.014（通常拒绝零假设） 注：单侧检验，事先已知播撒可能会造成闪电次数减少。 Wilcoxon signed-rank test 使用于成对双样本（ ）位置差异检验； 检验统计量也是基于数据的排序，而不是原数据值，因此这种方法也不依赖于数据是否满足特定的分布； 考虑排序：该方法的排序过程基于成对数据差值绝对值的排序，即： ：两样本来自同一分布 当原假设成立时，任何成对数据的差值（ ）出现正号和负号的机会应接近均等。 若数据对中存在 相等的情况，则平均分配rank