序列的趋势存在性检验：Cox-Stuart test和Mann-Kendall test

老身聊发少年狂

已于 2024-08-29 22:02:13 修改

阅读量8.3k

点赞数 6

分类专栏：统计基本方法文章标签：趋势存在性检验 Cox-Stuart Mann-Kendall 非参数符号检验

于 2020-05-31 17:42:31 首次发布

本文链接：https://blog.csdn.net/weixin_43850016/article/details/106457201

版权

统计基本方法专栏收录该内容

8 篇文章

订阅专栏

本文介绍了用于检验序列趋势存在的两种非参数统计方法——Cox-Stuart趋势检验和Mann-Kendall趋势检验。通过比较数据中正负差异的分布来判断上升或下降趋势，并提供了R语言的实现示例。虽然两者结果可能略有不同，但都作为线性回归的补充，用于科学地识别趋势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们经常听这样的描述，数据呈上升/下降/无明显趋势，这个结论往往是靠人眼观察出来的，不够严谨。我们需要更科学的方法，下面就借助非参里的符号检验，来谈谈检验趋势存在性的两种常用方法。

Cox-Stuart趋势检验

原理
对于数据序列x1,x2,x3,……,xn，我们以位置中间数c为界把该序列分成两部分，并两两配对成(x1,xc+1),(x2,xc+2),……(xc,xn)的形式。接着我们以每一组中后一个数减去前一个数并记下正负性，s+表示得到正数的个数，s-表示得到负数的个数。如果s+远远大于s-，则我们认为序列存在上升趋势，反之序列存在下降趋势，如果s+与s-很接近，那就无明显趋势，这里度量s+和s-有无明显差异性靠的是binom.test（）。
实现
R语言里没有现成的函数，需要自己编写，这里给出一种作为参考。案例结果表明，置信水平为0.05时，测试序列customers呈下降趋势，但趋势并不显著（P值0.1094）

cox.stuart.test =
function (x)
{
  method = "Cox-Stuart test for trend analysis"
  leng = length(x)
  apross = round(leng) %% 2
  if (apross == 1) {
    delete = (length(x)+1)/2
    x = x[ -delete ] 
  }
  half = length(x)/2
  x1 = x[1:half]
  x2 = x[(half+1):(length(x))]
  difference = x1-x2
  signs = sign(difference)
  signcorr = signs[signs != 0]
  pos = signs[signs>0]
  neg = signs[signs<0]
  if (length(pos) < length(neg)) {
    prop = pbinom(length(pos), length(signcorr), 0.5)
    names(prop) = "Increasing trend, p-value"
    rval <- list(method = method, statistic = prop)
    class(rval) = "htest"
    return(rval)
  }
  else {
    prop = pbinom(length(neg), length(signcorr), 0.5)
    names(prop) = "Decreasing trend, p-value"
    rval <- list(method = method, statistic = prop)
    class(rval) = "htest"
    return(rval)
  }
}
#We can now use the function just created:


customers = c(5, 9, 12, 18, 17, 16, 19, 20, 4, 3, 18, 16, 17, 15, 14)
cox.stuart.test(customers)

        Cox-Stuart test for trend analysis

data:  
Decreasing trend, p-value = 0.1094

Mann-Kendall趋势检验

原理
比较复杂，具体请参考python中的Mann-Kendall单调趋势检验–及原理说明
实现
好在R语言里现成的函数，可直接用。依然使用测试序列customers，结果跟上面有点不同，大于0的z值表明呈上升趋势，不过P值也说明了趋势并不显著，也不能说跟Cox-Stuart test的结果有矛盾。

library(trend)  
customers = c(5, 9, 12, 18, 17, 16, 19, 20, 4, 3, 18, 16, 17, 15, 14)
mk.test(customers, continuity = TRUE)
	
	Mann-Kendall trend test

data:  customers
z = 0.24835, n = 15, p-value = 0.8039
alternative hypothesis: true S is not equal to 0
sample estimates:
          S        varS         tau 
  6.0000000 405.3333333   0.0579771