统计建模与R软件第五章课后习题（5.13~5.18）_统计建模与r软件第二版课后答案第五章-CSDN博客

本文链接：https://blog.csdn.net/m0_67612009/article/details/124235736

本文通过R语言进行了多个统计检验，包括Fisher精确检验、McNemar检验、符号检验、Wilcoxon符号秩检验、正态性检验、方差齐性检验和t检验，探讨了变量的独立性、中位数的比较、差异显著性以及相关性。结果显示，某些检验在特定场景下差异检出能力不同，例如Wilcoxon检验在差异检出上表现最强，而符号检验最弱。此外，学习等级与学习成绩存在显著正相关关系。

摘要由CSDN通过智能技术生成

在这里插入图片描述
问题导向：在样本较小时（频数小于4时）用Fisher精确检验来做独立性检验
H0：变量独立，对产品质量无影响; H1: 变量间有关系，对产品质量有影响

> x=matrix(c(3,6,4,4),nrow=2)
> fisher.test(x)



        Fisher's Exact Test for Count Data

data:  x
p-value = 0.6372
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
 0.04624382 5.13272210
sample estimates:
odds ratio 
  0.521271 


fisher.test()函数格式：
fisher.test(x，y,alternative='',conr.int=T(给出区间估计），conf.level=0.95),x,y为矩阵

结果：p-value = 0.6372>0.05,不能拒绝原假设，两变量独立，两种工艺对产品的质量没有影响

在这里插入图片描述
问题导向：因为是在相同个体上的两次检验，所以用McNemar检验
H0：结果相同; H1: 结果不同

> x=matrix(c(58, 1, 8, 2, 42, 9, 3, 7, 17),nrow=3)
> mcnemar.test(x)

        McNemar's Chi-squared test

data:  x
McNemar's chi-squared = 2.8561, df = 3, p-value = 0.4144

结果：p-value = 0.4144>0.05,不能拒绝原假设，两种方法测定结果相同

在这里插入图片描述
问题导向：观察数据，中位数应该比14.6小，所以原假设>14.6,数据中大于14.6的有只有一个，小于14.6的有9个，选符号的秩小的1放在函数中，程序语言即sum(x)>14.6
H0:中位数>14.6 H1:中位数<14.6
（1）符号检验：

> x=c(13.32,13.06,14.02,11.86,13.58,13.77,13.51,14.42,14.44,15.43)
> binom.test(sum(x)>14.6,length(x),al="l")  #alternative='less'备择假设

        Exact binomial test

data:  sum(x) > 14.6 and length(x)
number of successes = 1, number of trials = 10, p-value =