R语言基础培训-常用统计分析课件.pptVIP

基于R的基本统计分析;内容提要;描述分析(Descriptivestatistics);标准差（std.dev）和标准误（SE.mean）;标准差（std.dev）和标准误（SE.mean）;在实际的应用中，标准差主要有两点作用，一是统计量样本离散程度的表征；二是用来对样本进行标准化处理，即样本观察值减去样本均值，然后除以标准差，这样就变成了标准正态分布。标准误的作用主要是用来做区间估计，常用的估计区间是均值加减n倍的标准误（例如95%的置信区间是：均值+1.96*SE）;95%CI:

假设上面这个随机抽样估计学生身高的例子，抽样100次，每次抽10个学生测量身高，均值估计值及标准误为152cm±12cm。但有时需要表示为估计量的95%的置信区间[152cm-1.96*12cm，152cm+1.96*12cm]。可以解释为，如果从再从总体中抽样100次（每次抽样10个），产生100个平均值，这100个平均值将有95次落在[152cm-1.96*12cm，152cm+1.96*12cm]这个范围内，5次落在这个范围外，如果抽样次数越多，这个推断越准确。这个来源于中心极限定理的应用：任何分布(总体)抽样n次，每次抽样的和符合正态分布。通俗一点说,不管是学校的学生身高是怎么分布,每次随机抽取10个求和,抽取n次，这n个身高总和是符合正态分布的。平均身高为身高总和除于10，所以平均身高也是正态分布的。正态分布双尾95%的分界点所对应的值刚好是1.96。

;8;;峰度（Kurtosis）;偏度（Skewness）;频数表(Frequencytable)分析;频数表分析例子;方差分析ANOVA;单因素方差分析;##TukeyHSD方法##

install.packages(multcomp)

library(multcomp)

tuk-glht(fit,linfct=mcp(Treat=Tukey))

summary(tuk)#standarddisplay

tuk.cld-cld(tuk)#letter-baseddisplay

opar-par(mai=c(1,1,1.5,1))

plot(tuk.cld)

par(opar);双因素（无重复）方差分析;多重比较;重复试验的双因素方差分析;协方差分析(analysisofcovariance);单因素协方差分析;双因素协方差分析;t检验;3.5.1单样本检验;;卡方检验是参照卡方分配来计算概率和临界值的统计检验，是用途很广的一种假设检验方法。

分析原理：

(1)建立零假说（NullHypothesis），即认为观测值与理论值的差异是由于随机误差所致；

(2)确定数据间的实际差异，即求出χ2值；

(3)如卡方值大于某特定概率标准??即显著性差异）下的理论值，则拒绝零假说，即实测值与理论值的差异在该显著性水平下是显著的。;卡方检验;卡方检验;卡方检验（列联表）;练习四;练习四答案;32;线性回归;3.6.1简单线性回归;计算校正R2;多项式回归;多元线性逐步回归;最优线性回归方程为：

y=-649.779+14.592×x1+6.841×x2+9.329×x3

回归方程表明：对于川农16号小麦而言，当x2和x3固定时，穗数x1每增加1万/亩，产量y将平均增加14.592Kg/亩；当x1和x3固定时，每穗粒数x2每增加1粒，产量y将平均增加6.841Kg/亩；当x1和x2固定时，千粒重x3每增加1g，产量y将平均增加9.329Kg/亩。

;自变量的作用主次;交互作用多元线性回归;练习四;练习四答案;43;相关分析;Pearson、Spearman和Kendall相关;Pearson积矩相关系数;Spearman;48;49;【例子4.8.1.1】在某杉木林分内随机抽取30棵树，测定了树高h(m)、胸径dbh(cm)、材积v(m3)、心材比例cpro(%)、木材基本密度wd(kg/m3)、木材吸水率wpro(%)、管胞长度tl(μm)、管胞宽度tw(μm)和管胞长宽比lrt，测试结果如表4-29所示。试分析各性状之间的相关系数。;偏相关(Partialcorrelation);52;相关显著性的检验;54;55;;谢谢大家！