非参数检验77页--非参数验的过程.pptVIP

SPSS软件使用说明 使用house.sav数据。 选项为Analyze－Nonparametric Tests－K Independent Samples。 把变量（这里是price）选入Test Variable List；再把数据中用1、2、3来分类的变量group输入Grouping Variable，在Define Groups输入1、2、3。 在下面Test Type选中Median。 在点Exact时打开的对话框中可以选择精确方法（Exact），Monte Carlo抽样方法（Monte Carlo）或用于大样本的渐近方法（Asymptotic only）。最后OK即可 Friedman秩和检验 前面讨论了两因子试验设计数据的方差分析，那里所用的F检验需要假定总体的分布为正态分布。 有一种非参数方差分析方法，称为Friedman （两因子）秩和检验，或Friedman方差分析。它适用于两个因子的各种水平的组合都有一个观测值的情况。 Friedman秩和检验 假定第一个因子有k个水平（称为处理，treatment），第二个因子有b个水平（称为区组）；因此一共有k×b＝kb个观测值。 这里之所以称一个因子为处理，是因为这是我们想要看该因子各水平是否对试验结果有显著的不同（它的各个水平的观测值也就是本小节的多个相关样本）。而另一个因子称为区组，不同的区组也可能对结果有影响。下面是一个例子。 数据fert.sav 这里有三种肥料作为第一个因子（肥料因子）的三个水平；而四种土壤为第二个因子（土壤因子）的四个水平。感兴趣于是否这三种肥料对于某作物的产量有区别。称肥料因子为处理，而土壤因子为区组。数据在下表中（表中数字为相应组合的产量，单位公斤）。 ? 肥料种类 肥料A 肥料B 肥料C 土壤类型 土壤1 22 46 68 土壤2 25 36 48 土壤3 18 21 20 土壤4 11 13 19 Friedman秩和检验 Friedman秩和检验是关于位置的，和Kruskal-Wallis检验类似，形式上，假定这些样本有连续分布F1,…,Fk，零假设为H0：F1=…=Fk，备选假设为Ha：Fi(x)=F(x+qi)，i=1,…,k，这里F为某连续分布函数，而且这些参数qi并不相等。 虽然这和以前的Kruskal-Wallis检验一样，但是由于区组的影响, 要首先在每一个区组中计算各个处理的秩；再把每一个处理在各区组中的秩相加.如果Rij表示在j个区组中第i个处理的秩。则秩按照处理而求得的和为 Friedman秩和检验 这样做的目的是在每个区组内比较处理。例如, 同个年龄段中比较药品的疗效比不分年龄来比较疗效要合理；在同一个部位比较不同的材料要比混合起来比较要合理等等。这里要引进的Friedman统计量定义为 第一个式子表明，如果各个处理很不一样，和的平方就会很大，结果就显著。第二个公式是为了计算方便而导出的。它有近似的（有k-1个自由度的）c2分布。 fert.sav数据 SPSS软件使用说明 使用fert.sav数据。 选项为Analyze－Nonparametric Tests－K Related Samples。 然后把变量（这里是a、b、c）选入Test Variable List。 在下面Test Type选中Friedman。 在点Exact时打开的对话框中可以选择精确方法（Exact），Monte Carlo抽样方法（Monte Carlo）或用于大样本的渐近方法（Asymptotic only）。最后OK即可 Kendall协同系数检验 在实践中，常需要按照某些特别的性质来多次对一些个体进行评估或排序；比如几个（m个）评估机构对一些（n个）学校进行排序。人们想要知道，这些机构的不同结果是否一致。如果很不一致，则该评估多少有些随机，意义不大。 换句话说，这里想要检验的零假设是：这些对于不同学校的排序是不相关的或者是随机的；而备选假设为：这些对不同学校的排序是正相关的或者是多少一致的。 Kendall协同系数检验 一个机构对诸个体（学校）的秩（次序）的和为1+2+…+n=n(n+1)/2；所有m个机构对所有个体评估的总秩为mn(n+1)/2；这样对每个个体的平均秩为m(n+1)/2。如果记每一个个体的m个秩（次序）的和为Ri（i=1,…,n），那么，如果评估是随机的，这些Ri与平均秩的差别不会很大，反之差别会很大，也就是说下面的个体的总秩与平均秩的偏差的平方和S很大。S定义为 Kendall协同系数检验 这个和Kendall协同系数（Kendall’s Coefficient of Concordance）是成比例的，Kendall协同系数W（Ken