实用代码之R语言模拟实验

~~~随机数生成：n1 <- rnorm（n,mean = 20,sd = 3)  ##生成正态随机数

~~~统计学方法：

t检验---独立样本的t检验： t.test(y ~ x,data)  ##y数值型，x二分类

                                           t.test(y1,y1)  ##y1和y2为数值型向量

                                           非独立样本的t检验

方差分析---aov(respense~trt)  ##单因素方差分析

卡方---chisq.test()  ##卡方独立性检验，例：chisq.test(mytable)

           chisq.test(table(mydata$A,mydata$erfenlei)

确切概率法---fisher.test(table(mydata$A,mydata$B)

wilcoxon秩和检验--- wilcox.test(y ~ x,data)  ##y数值型，x二分类

wilcox.test(y1,y2)  ##y1和y2是各组的结果变量

例如：wilcox.test(Prob~So,data = UScrime)

三组比较：可用方差分析

Permutation：（1）与参数方法类似，计算观测数据的t统计量，称为t0

1. 将10个得分放在一组
2. 10个得分随机分配至A、B两组
3. 计算并记录新观测的t统计量
4. 对每一种可能随机分配重复（3）~（4）步骤，此处有252种可能的分配组合
5. 将252个t统计量按升序排列，
6. 如果t0落在经验分布95%部分的外面，则在0.05的显著性水平下拒绝认为两组总体均值相等的零假设

Bootstrap：（1）从样本中随机抽取10个观测，抽样后再放回。

1. 计算并记录样本均值
2. 重复1和2一千次
3. 将1000个样本均值从小到大排序 order( )
4. 找出样本均值2.5%和97.5%的分位点

单因素方差分析例子：library(multcomp)

attach(cholesterol)

table(trt)  ##各组样本量大小

aggregate(response,by = list(trt),FUN = mean)  ##各组均值

aggregate(response,by = list(trt),FUN = sd)  ##各组标准差

fit <- aov(response~trt)

summary(fit)

library(gplots)

plotmeans(response ~ trt,xlab = “”,ylab = “”,main = “”)

detach(cholesterol)

TukeyHSD(fit)  ##多重比较

~~~结果：

比较均数，拒绝H0次数：ttest <- t.test(a,b)

                                         count = 0

                                         if(ttest$p.value<alpha)

                                         count = count+1

                                        return(count)        #部分核心代码

检验效能：return(count/1000)

可信区间包含总体均数的次数：

a <- rnorm(n,mean=mean1,sd=sd1)

b <- mean(a)

tmpt <- sd1/sqrt(n)*qnorm(1-alpha/2);df <- n

u <- b-tmpt

l <- b+tmpt

if(u>mean1)

 count <- count+1

if(l<mean1)

 count <- count+1

return(count)