第6章非参数检验汇.ppt

第6章 非参数检验 6.1 符号检验 6.2 Wilcoxon符号秩检验 6.3 WMW秩和检验 6.4 Kruskal-Wallis检验 非参数检验的应用场合 如果需要对定性数据做假设检验，则需要使用非参数方法 如果需要对中位数做检验，则需要使用非参数的方法。 如果需要对统计分布做检验，例如检验数据是否来自正态总体，检验两个总体的统计分布是否相同等，则需要用非参数方法。 当参数检验需要的假设不成立时， 需要采用非参数检验方法。特别的，非正态总体、小样本的情况下，传统的t检验是不能使用的。 6.1 符号检验 符号检验（Sign Test）：是最简单的非参数检验方法之一，通过符号＋和－的个数来做统计推断，所以称为符号检验。 一个例子：联合国人员在世界上66个大城市的生活花费指数（以纽约市1996年12月为100）按由小至大的次序排列如下。 对均值的t检验 问题：假定这是从世界许多大城市中随机抽样而得到的样本。 北京的指数为99，能否认为北京市在总体平均水平之上？ 分析：由于是大样本，所以不论总体是否正态，都可以根据单个样本的t检验进行分析，检验总体的均值是否小于99。如果能够认为总体的均值小于99，则可以知道北京市在总体水平之上。 SPSS对均值的t检验结果 左侧检验时p值等于0.257/2=0.1285，因此在5%的显著性水平下不能拒绝总体均值大于等于99的原假设。从而，没有证据表明北京市在总体平均水平之上。 然而…… 此组数据的直方图如下，可以判断总体数据很可能为右偏分布。 这时中位数比均值更有代表性。 下面我们来检验能否认为总体的中位数小于99。 符号检验的基本原理（左侧检验） 用M表示总体中位数。 表示大于中位数的数据个数。在这个例子中，需要检验M是否小于99。 在样本的数据中，如果原假设成立，则大于99的数据个数 应该比较大。 因此，如果从总体中得到 的样本的概率非常小，则可以拒绝原假设。 检验统计量 如果M的确是总体的中位数，则每个样本点都以0.5的概率小于（或大于）M。这显然是一系列Bernoulli试验。大于M的样本点的个数 与小于M的个数 都服从二项分布 B（n,0.5），二者都可用作检验统计量。 因此，假设x服从二项分布 B（66，0.5）在这个例子中只需要计算 如果p值小于a，则拒绝原假设。 根据二项分布的计算结果 在这个例子中大于99的数据个数为23。 在Excel单元格中输入“=BINOMDIST(23,66,0.5,1)”，可知这一概率（p值）为0由于p值小于a，则拒绝原假设。 结论：总体的中位数要小于99。 在这种情况下，可以认为北京的生活指数（99）高于世界大城市的中位数 根据正态分布的计算结果 当样本量比较大（n20）时，可以使用正态分布近似计算p值。 二项分布 B（n,0.5）的期望为0.5n，方差为npq=0.25n。 在这里z=-2.4618， P（z≤-2.4618）=0.0069因此在左侧检验中拒绝原假设。 由于二项分布为离散的，正态分布是连续的，因此二者计算结果有差异。软件中通过使用“连续性修正”的方法可以缩小这种差异，得到更接近的结果。 双侧检验时的p值 当零假设为真时， 不应该太大或太小。如果 太大或太小，则可以拒绝原假设。 p值等于 根据给定的显著性水平得出检验结论。 右侧检验时的p值 当零假设为真时， 不应该太大。如果 太大，则可以拒绝原假设。 假设x服从二项分布 B（n,0.5），则p值等于 根据给定的显著性水平得出检验结论。 符号检验在SPSS中的实现 以例6.1为例，检验世界花费指数的中位数是否小于99，因此提出假设如下： 在SPSS17.0中，使用选项Analyze-Nonparametric Tests- Binomial，再把变量“生活花费指数”选入Test Variable List。然后在下面Define Dichotomy的Cut Point输入“99”，在下面Test Proportion输入“0.50”，得到如下对话框。 例6.1的SPSS结果含义 在二项检验的结果中，小于等于99的观测值个数有43个，大于99的有23个，共66个；所观察的比例分别是0.65和0.35，检验的比例为0.5。 双侧检验的p值为0.019。 对于这里的左侧检验，检验的p值为0.019 /2=0.0095，小于显著性水平0.05，因此，拒绝零假设。 成对数据比较的符号检验 成对数据可以采用t检验的方法，但需要有正态性的或者大样本的假设条件。 如