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
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
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 =