非参数检验 研究生课件.ppt

二．相关系数的统计推断 H0:ρ＝0，总体相关系数为0 H1:ρ≠0 ，总体相关系数不为0 α=0.05 假定X、Y服从二元正态分布 三．线性相关应用中应注意的问题： 样本的相关系数接近零并不意味着两变量间一定无相关性。 一个变量的数值人为选定时莫作相关(应用条件?) 例如, 为研究药物的剂量-反应关系； 出现异常值时慎用相关 ； 相关未必真有内在联系 ； 分层资料盲目合并易出假象。 例题5 下表为一项关于儿童健康和发展的研究中10名学龄儿童的身高和体重资料，试对学龄儿童的身高和体重进行相关分析。 儿童 编号 1 2 3 4 5 6 7 8 9 10 身高 （X） 149.4 167.6 146.3 170.7 161.5 164.6 155.5 158.5 149.4 152.4 体重 （Y） 30.8 42.6 33.1 44.0 36.3 40.8 32.7 35.4 33.1 31.8 编制散点图 二、秩相关的概念及其统计描述 对那些不服从正态分布的资料，或是总体分布未知的资料，因为难以进行假设检验，所以就不宜用积差相关系数来刻画相关性。此时，可采用秩相关（rank correlation），或称等级相关来刻画两个变量间相关的程度与方向。 Spearman秩相关 亦称等级相关系数rs; 介于-1和1之间，rs0为负相关， rs0为正相关。 例题6 10名患者参加家庭计划的时间长度（天）和每名患者每天的费用（元）见下表，请问参加的时间长度和费用是否相关? 编号 1 2 3 4 5 6 7 8 9 10 时间 10 150 143 25 132 65 118 129 70 92 费用 516 122 82 262 135 300 86 268 203 164 第三节 分类变量的关联性分析 对定性变量之间的联系通用的方法是根据两个定性变量交叉分类计数所得的频数资料（列联表）作关联（association）分析，即关于两种属性独立性的 检验。 Pearson列联系数 (contingency coefficient) 简单线性回归 一、线性回归的概念及其统计描述 从预测的角度，描述反应变量（Y）如何随自变量（X）的变化而变化的规律性——数量上的线性依存关系。 简单线性回归方程 总体线性回归方程：μY︱X=α+ βX 其中：ɑ为回归直线的截距，为x取值为0时根据方程所估 出的Y的平均水平； β为回归直线的斜率，又称回归系数。为X每增加（或减少）一 个单位，Y平均改变β个单位。 β0，表明Y与X呈同向线性变化趋势； β0,表明Y与X呈反向线性变化趋势； β=0,表明Y与X无线性回归关系，但并不表明没有其 他关系； 由于在线性回归模型中ɑ和 β均未知，需要根据样本数据进行估计。设ɑ和 β的估计值为ɑ和b,得到： 样本的线性回归方程： 二、回归模型的前提假设 线性回归模型的前提条件是(LINE) ： 线性 (Linear) ; 独立 (Independent) ; 正态 (Normal) ; 等方差 (Equal variance) 。 四、回归模型的假设检验 H0：β=0，即总体回归方程不成立或总体中自变量X对因变量Y没有贡献； H1：β=0，即总体回归方程成立或总体中自变量X对因变量Y有贡献 为研究大气污染物一氧化氮（NO）的浓度是否受汽车流量的影响，选择24个工业水平相近的城市的一个交通点，统计单位时间过往的汽车数（千辆），同时在低空相同高度测定了该时间段空气中的一氧化氮（NO）的浓度，如下表: 非参数检验 非参数检验 又称任意分布检验（distribution-free test） 不以特定的总体分布为前提，也不针对决定总体分布的几个参数做推断。 应用范围——计量资料： 1. 不满足正态； 2. 分布不明； 3. 一端或二端是不确定数值； 注意： 若已知计量资料满足 （或近似满足）t 检验或F 检验条件，首选t 检验或F检验，否则会降低检验效能。 第一节 单样本资料和配对符号秩检验 Wilcoxon符号秩和检验的应用： ? 单个样本中位数和总体中位数比较 ? 配对样本差值的中位数和0比较 例题1： 已知某地正常人尿氟含量的中位数为45.30。今在该地某厂随机抽取12名工人，测得尿氟含量分别为44.21、45.30、46.39、49.47、51.05、53.16、53.26、54.37、57.16、67.37、71.05、87.37。问该厂工人的尿氟含量是否高于当地