统计学之非参数检验讲义.pptVIP

16.5 多个相关样本的检验 16.5.1 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仅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.txt 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 Friedman秩和检验 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.txt数据 SPSS软件使用说明 使用我们的ksdata.sav数据。 选项为Analyze－Nonparametric Tests－1 Sample K-S。 然后把变量（这里是x）选入Variable List。再在下面Test Distribution选中零假设的分布（Normal、Poisson、Uniform和Exponential）作为零假设。 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。 16.2.4 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。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。 关于随机性的游程检验（run test） 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