吴喜之-非参数检验教程.pptVIP

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（Kendall’s W）定义为 数据school.sav 下面是4个独立的环境研究单位对15个学校排序的结果每一行为一个评估机构对这些学校的排序。看上去不那么一致（也有完全一致的）： 数据school.sav SPSS的Kendall协同系数检验的输出 SPSS软件使用说明 使用school.sav数据。 选项为Analyze－Nonparametric Tests－K Related Samples。 然后把变量（这里是s1、s2、…、s15 ）选入Test Variable List。 在下面Test Type选中Kendall’s W 。 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 关于二元响应的Cochran检验 前面讨论了两因子方差分析问题的Friedman秩和检验。 但是当观测值只取诸如0或1两个可能值时，由于有太多同样的数目（只有0和1），排序的意义就很成问题了。 这里要引进的Cochran检验就是用来解决这个问题的一个非参数检验。这里的零假设也是各个处理是相同的。先看一个例子 关于瓶装饮用水的调查（数据在water.sav）。20名顾客对4种瓶装饮用水进行了认可（记为1）和不认可（记为0）的表态。 我们感兴趣的是这几种瓶装水在顾客眼中是否有区别。这里的零假设是这些瓶装水（作为处理）在（作为区组的）顾客眼中没有区别。 数据water.sav 下表是数据，每一行为20个顾客对某一饮料的20个观点（0或1）。最后一列1为认可总数Ni而最后一行为每个顾客给出的4个观点中认可数的总和Li。最后一行的最后的元素为总认可数N。 显然，如果Ni和这些Ni的均值的差距很大，那么这些处理就很不一样了。Cochran检验就是基于这个思想的。用Ni 表示第i个处理所得到的“1”的个数，而Lj为第j个