单因素方差分析_单因素方差分析的非参数方法在R中实现

单因素方差分析的非参数方法(Kruskal-Wallis检验、Friedman检验)在R中实现

对于多组数据间比较差异，我们常会想到使用方差分析(ANOVA)来实现。不过由于ANOVA的前提假设条件比较严格，要求数据必须满足正态性、方差齐性等，而很多情况下我们的数据并不符合方差分析的条件。通常情况下，我们可以考虑转换数据，例如，使用log转换等或许可以使非正态分布的原始数据转变为正态分布类型(当然，我们需要确保转换后的数据能够被合理解释，否则将无意义)；另一种合适的选择是使用非参数的检验方法，替代ANOVA。

由于非参数的检验方法普遍保守，所以当数据满足ANOVA的条件时，尽可能使用ANOVA分析，能够有效地鉴别出非参数检验鉴别不到的差异；当无法适用ANOVA时，再考虑非参数的方法。

在R语言中，常见ANOVA的非参数替代方法例如：

单因素方差分析(单因素ANOVA) => Kruskal-Wallis检验，kruskal.test()；Friedman检验，friedman.test()；

单因素协方差分析(单因素ANCOVA) => sm包sm.ancova()；

双因素方差分析(双因素ANOVA) => Scheirer-Ray-Hare检验，rcompanion包scheirerRayHare()；

多元方差分析(MANOVA) => 置换多元方差分析(PERMANOVA)，vegan包adonis()。

本文首先以单因素ANOVA的非参数检验替代方法Kruskal-Wallis检验、Friedman检验为例，简述其在R中的执行过程。其它几种类型，会在后续的几篇文章中再一一阐述。

本文使用的作图数据的网盘链接(提取码fjuq)：

https://pan.baidu.com/s/1I2dX58-q5XJgexxfYTvpmg

Kruskal-Wallis检