R in a Nutsbell 18.统计检验

基于正态分布的检验

均值检验

**适用情况：**在数据服从正态分布的情况下，比较观测值的均值μ与零假设的均值μ0是否有差异。
函数介绍：

t.test(x,y,alternative,mu,paired,var.equal)
x：输入观测值向量。
y：如果比较向量的均值与零假设的均值时，设为NULL；或者比较x和y。
mu：指定零成立时的均值。
alternative：指定备则假设的类型，有双侧检验two.sided、左边检验less、右边检验greater。
paired：逻辑值，指定待检验对象是否为配对数据。
var.equal：逻辑值，指定待检验的两个向量的方差是否设为同一个值。

（1）比较轮胎H平均使用时间和9的比较
t.test(x = times.H,mu = 9)
（2）比较轮胎D和轮胎E的平均使用时间。
t.test(x = times.D,y = times.E)

可以用一个公式来设定t检验

t.test(formula = y~x,data)
y：所有输入的数据。
x：因子分类列。

（1）比较室内和室外平均得分
t.test(yard~outside,data = good)

配对数据的均值比较
paired = TRUE可以完成该操作。
配对数据是指某个项目有前后两次的观测值。

多个组间的均值比较
在服从正态分布前提下，对于两组以上数据间的均值的比较，需要使用方差分析（ANOVA）。
（1）最简单的函数是aov()

aov(formula = y~x,data)

想获取更详细的信息，可以把avo object传入model.tables()函数。

（2）第二种方法是先用lm()函数建立线性模型，在用anova()提取关于方差的分析信息*该函数假设各组样本的方差都是相等的 *。

fit = lm(age~Cause,data = mort06.smpl)
anova(fit)

多组样本的配对t检验

pairwise.t.test(x,g)
x：数值型向量，将要输入的所有的数据。
g：用于分组的因子变量。

方差检验

var.test
在数据服从正态分布的前提下，检验两总体的方差的差异是否具有统计显著性。

var.test(x,y,ratio = 1,alternative,coef.level = 0.95)
var.test(formula = y~x,data )

bartlett.test
检验每个组样本数据的方差是否一致。

bartlett.test(formula = y~x,data)

分布检验

正态性检验
（1）利用shapiro.test()函数检验一个分布是否为正态分布。

shapiro.test(x)
x：数值型向量

（2）绘制直方图

hist(x,breaks = 25)

（3）QQ图

qqnorm(x,pch = '.')

或者car包的中的qqPlot

分布的对称性检验
可以用KS检验来查看一个向量是否来自对称的概率分布。

ks.test(x,y,alternative,exact)
x：指定待检验数据。
y：指定对称分布类型，可以是数值型向量也可以是概率分布名称。
exact：指定是计算统计量的准确值还是近似值。

例子：利用ks.test函数进行正态性检验：ks.test(x,pnorm)
结果出现警告信息代表不服从正态分布。

检验两个向量是否服从同一个分布
ks检验可以用于计算两个向量出自同一分布的概率。
为了先出函数中关于函数打结的警告，利用jitter()函数加入一些抖动。

ks.test(jitter(x),jitter(y))

相关性检验
利用cor.test()函数来检验两个向量之间的相关系数是否显著。

cor.test(x,y,alternative,method,exact)
cor.test(formula,data)

不依赖分布的检验

均值检验

Wilcoxon检验依赖于变量x和y的不同样本值的秩。
wilcox.test()函数是不依赖分布假设的t检验。

wilcox.test(x,y,alternative,mu,paired)

多均值比较

kruskal-Wallis检验不依赖分布的ANOVA检验。

kruskal.test(x,g)
kruskal.test(formula = y~x,data)

方差检验

如果想用非参数检验来比较来自不同组别之间的方差，可用Fligner-Killeen中位数检验。

fliger.test(formula,data)

有关离散数据检验

比例检验

利用prob.test()函数来检验两组观测值成功发生的概率是否有显著差异。
零假设为所有组的比例都相等或比例等于给定值。

prob.test(x,n,alternative,p,conf.level = 0.95)
prob.test(table)

传入的table：列名为不同的组，行名为可能的结果。

二项式检验

binom.test(x,n,p = 0.5,alternative)
x：成功的次数。
n：试验的总次数
p：每次试验成功的概率。

例子：一个选手安打水平均为0.264（416击110中），假设他实际上是一个0.300击球手，那在他一系列打球的击球得分率<=0.264的概率是多少。
binom.test(x = 110,n = 416,p = 0.264,alternative = "less")

列联表检验

根据列联表中的数据确定两个分类变量之间是否相关。原假设为两个变量相互独立。
fisher.test
chisq.test
在函数中传入表格。