R语言基础 | t检验、F检验

最新推荐文章于 2024-09-16 15:20:21 发布
最新推荐文章于 2024-09-16 15:20:21 发布
阅读量8.1k 收藏 81
点赞数 5
文章标签： 统计学 并行计算 jquery 数据分析 h.264
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_54000907/article/details/127742951
版权

专注系列化、高质量的R语言教程

推文索引 | 联系小编 | 付费合集

本篇来介绍两种常见的统计检验方法：t检验和F检验。目录如下：

  • 1 t检验

    • 1.1 单样本t检验

    • 1.2 独立样本t检验

    • 1.3 配对样本t检验

    • 1.4 单尾检验

  • 2 F检验

1 t检验

t检验适用于样本量较小、总体方差未知的正态分布的检验。单样本t检验用于检验样本均值是否显著异于给定的总体均值；双样本t检验用于检验两个样本的均值是否存在显著差异，或均值之差是否显著异于给定值，又分为独立样本t检验和配对样本t检验。

R语言中用于t检验的函数是stats工具包中的t.test()，语法结构如下：

t.test(x, y = NULL,
       alternative = c("two.sided", "less", "greater"),
       mu = 0, paired = FALSE, var.equal = FALSE,
       conf.level = 0.95, ...)

1.1 单样本t检验

假设样本来自总体均值为的正态分布，总体方差未知。记样本量为，样本均值为，样本方差为，则如下统计量应服从自由度为的t分布：

若上述假设成立，则统计量应不显著异于0，这也是t检验的零假设；其备选假设是统计量显著异于0，表示不能认为样本来自总体均值为的正态分布。统计检验的显著性水平是错误拒绝零假设（零假设为真、备选假设为假）的概率。

下面代码绘制了自由度为24的t分布的概率密度函数，并以0.05为显著性水平绘制了错误拒绝零假设的区间范围：

par(family = "mono")
x0 <- seq(-5, 5, 0.01)
plot(x0, dt(x0, 24), type = "l", 
     yaxs = "i", ylim = c(0,0.45),
     ylab = "p", xlab = "t", las = 1) 

t0 <- qt(0.05/2, 24)
x1 <- seq(-5, t0, length.out = 20)
x2 <- seq(-t0, 5, length.out = 20)
segments(x1, 0, x1, dt(x1, 24))
segments(x2, 0, x2, dt(x2, 24)) 
rm(list = ls())
882d4c89e4a26efc761a5dd7a4defdfc.png

  • 阴影面积之和为显著性水平p；

  • t分布的概率分布函数沿y轴对称，因此两侧的阴影面积分别为p/2。

生成25个服从均值为5的正态分布的随机数：

set.seed(1107)
x = rnorm(25, 5) 
x
##  [1] 5.376401 6.279168 6.006342 5.238824 4.504683 3.906549 5.332404 5.112673
##  [9] 5.211635 5.643550 4.214791 5.890171 5.883895 2.970628 6.363913 4.543970
## [17] 5.547430 3.909453 5.010911 4.746396 4.009331 5.011125 4.809047 4.069485
## [25] 3.738244

例1.1：假设该样本来自均值为4的正态分布，若假设成立，则应服从自由度为24的t分布。检验结果如下：

t.test(x, mu = 4)
##  One Sample t-test
## 
## data:  x
## t = 5.3635, df = 24, p-value = 1.66e-05
## alternative hypothesis: true mean is not equal to 4
## 95 percent confidence interval:
##  4.574123 5.292358
## sample estimates:
## mean of x 
##  4.933241

  • 结果显示统计量为5.3635，置信水平p-value = 1.66e-05 < 0.05，即错误拒绝零假设的概率很低，因此可以拒绝原假设，也就是不能认为上述统计量服从t分布。

手动计算：

## t统计量
t = (mean(x) - 4)/sqrt(var(x)/length(x)) 
t
## [1] 5.363467

## 显著性水平
(1 - pt(t, 24))*2
## [1] 1.660442e-05

例1.2：假设该样本来自均值为5的正态分布，若假设成立，则应服从自由度为24的t分布。检验结果如下：

t.test(x, mu = 5) 
##  One Sample t-test
## 
## data:  x
## t = -0.38368, df = 24, p-value = 0.7046
## alternative hypothesis: true mean is not equal to 5
## 95 percent confidence interval:
##  4.574123 5.292358
## sample estimates:
## mean of x 
##  4.933241

  • 结果显示统计量为5.3635，置信水平p-value = 0.7046 > 0.05，即错误拒绝零假设的概率很大，因此不能拒绝原假设，也就是可以认为样本来自均值为5的正态分布。

手动计算：

## t统计量
t2 = (mean(x) - 5)/sqrt(var(x)/length(x)) 
t2
## [1] -0.3836753

## 显著性水平
pt(t2, 24)*2
## [1] 0.7045971

1.2 独立样本t检验

对于两个来自正态分布的样本，样本均值分别记为、，样本方差分别记为、，样本量分别为、，则如下统计量服从t分布：

若两个样本的均值不存在显著性差异，则统计量应不显著异于0。

例1.3：

set.seed(1107)
x = rnorm(25, 5, sd = 0.1) 
y = rnorm(35, 5.2, sd = 0.1) 

t.test(x, y)
##  Welch Two Sample t-test
## 
## data:  x and y
## t = -9.8654, df = 51.263, p-value = 1.932e-13
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.2684215 -0.1776571
## sample estimates:
## mean of x mean of y 
##  4.993324  5.216363

  • 检验结果显示，两个样本的均值存在显著性差异（p-value = 1.932e-13 < 0.05）。

在进行独立样本t检验之前，通常还应该先使用F检验判断其方差是否具有显著差异：

var.test(x, y)
##  F test to compare two variances
## 
## data:  x and y
## F = 1.0378, num df = 24, denom df = 34, p-value = 0.9049
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  0.5002457 2.2621714
## sample estimates:
## ratio of variances 
##           1.037836

  • F检验显示，两个样本的方差没有显著性差异，因此应该使用等方差的t检验：

t.test(x, y, var.equal = T)
##  Two Sample t-test
## 
## data:  x and y
## t = -9.8965, df = 58, p-value = 4.557e-14
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.2681523 -0.1779263
## sample estimates:
## mean of x mean of y 
##  4.993324  5.216363

  • 检验结果显示，两个样本的均值仍然存在显著性差异，并且p值有所下降（p-value = 4.557e-14 < 1.932e-13）。

1.3 配对样本t检验

假设某样本来自正态分布，其原始序列值为，当前序列值为，二者的序列值存在一一对应关系。记，若相比于，序列值增加了，则如下统计量服从t分布：

例1.4：

set.seed(1107)
x1 = rnorm(25, 5, sd = 0.1) 
y1 = x1 + rnorm(25, 0.2, sd = 0.1)

t.test(y1, x1, paired = T, mu = 0.2)
##  Paired t-test
## 
## data:  x1 and y1
## t = -25.377, df = 24, p-value < 2.2e-16
## alternative hypothesis: true mean difference is not equal to 0.2
## 95 percent confidence interval:
##  -0.2593173 -0.1902256
## sample estimates:
## mean difference 
##      -0.2247714

  • 注意在t.test()函数中，x1和y1的顺序；

  • 检验结果显示，相比于x1，y1增加的量不显著异于0.2。

1.4 单尾检验

在1.1节的示意图中，我们把错误拒绝零假设的区间范围平均置于概率密度图的两侧，每侧面积各占显著性水平的一半，这种情况称为双尾检验，或双边检验。若把它们置于同一侧，则称为单尾检验，或单边检验；其中全置于左侧，称为左单尾检验；全置于右侧，则称为右单尾检验。

例1.5：

set.seed(1107)
x = rnorm(25, 5) 

## 左单尾检验
t.test(x, mu = 4.9, alternative = "less")
##  One Sample t-test
## 
## data:  x
## t = 0.19104, df = 24, p-value = 0.5749
## alternative hypothesis: true mean is less than 4.9
## 95 percent confidence interval:
##      -Inf 5.230933
## sample estimates:
## mean of x 
##  4.933241

## 右单尾检验
t.test(x, mu = 5.1, alternative = "greater")  
##  One Sample t-test
## 
## data:  x
## t = -0.95839, df = 24, p-value = 0.8263
## alternative hypothesis: true mean is greater than 5.1
## 95 percent confidence interval:
##  4.635548      Inf
## sample estimates:
## mean of x 
##  4.933241

  • 左单尾t检验表明，样本均值不显著小于4.9；右单尾t检验表明，样本均值不显著大于5.1。

t.test(x, mu = 5.1, alternative = "less")  
##  One Sample t-test
## 
## data:  x
## t = -0.95839, df = 24, p-value = 0.1737
## alternative hypothesis: true mean is less than 5.1
## 95 percent confidence interval:
##      -Inf 5.230933
## sample estimates:
## mean of x 
##  4.933241

t.test(x, mu = 4.9, alternative = "greater")  
##  One Sample t-test
## 
## data:  x
## t = 0.19104, df = 24, p-value = 0.4251
## alternative hypothesis: true mean is greater than 4.9
## 95 percent confidence interval:
##  4.635548      Inf
## sample estimates:
## mean of x 
##  4.933241

  • 左单尾t检验表明，样本均值不显著小于5.1；右单尾t检验表明，样本均值不显著大于4.9。

综上，样本均值应不显著异于4.9和5.1，下面的双尾检验也验证了这一点，其95%置信区间为[4.574123, 5.292358]：

t.test(x, mu = 4.9)
##  One Sample t-test
## 
## data:  x
## t = 0.19104, df = 24, p-value = 0.8501
## alternative hypothesis: true mean is not equal to 4.9
## 95 percent confidence interval:
##  4.574123 5.292358
## sample estimates:
## mean of x 
##  4.933241

t.test(x, mu = 5.1)
##  One Sample t-test
## 
## data:  x
## t = -0.95839, df = 24, p-value = 0.3474
## alternative hypothesis: true mean is not equal to 5.1
## 95 percent confidence interval:
##  4.574123 5.292358
## sample estimates:
## mean of x 
##  4.933241

2 F检验

对于两个来自正态分布的样本，总体方差分别为、。记样本方差分别为、，样本量分别为、，则如下统计量服从F分布：

若两个样本的总体方差相等，则如下统计量应服从F分布：

R语言中用于F检验的函数是stats工具包中的var.test()，语法结构如下：

var.test(x, y, ratio = 1,
         alternative = c("two.sided", "less", "greater"),
         conf.level = 0.95, ...)

例2.1：

set.seed(1107)
x <- rnorm(50, mean = 0, sd = 2)
y <- rnorm(30, mean = 1, sd = 1)

var.test(x, y) 
##  F test to compare two variances
## 
## data:  x and y
## F = 3.4805, num df = 49, denom df = 29, p-value = 0.0005897
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  1.748689 6.548289
## sample estimates:
## ratio of variances 
##            3.48051

  • F检验表明，两个样本的方差存在显著区别（p-value = 0.0005897）。

手动计算：

var(x)/var(y)   
## [1] 3.48051

例2.2：

set.seed(1107)
x <- rnorm(50, mean = 0, sd = 1)
y <- rnorm(30, mean = 1, sd = 1)

var.test(x, y) 
##  F test to compare two variances
## 
## data:  x and y
## F = 0.87013, num df = 49, denom df = 29, p-value = 0.6543
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  0.4371722 1.6370723
## sample estimates:
## ratio of variances 
##          0.8701275

  • F检验表明，两个样本的方差不存在显著区别（p-value = 0.6543）。

R语言学堂
关注
r语言t检验输出检验统计量_R语言中实现T检验及可视化
weixin_39711959的博客
02-11 5412
T检验，亦称student t检验(Student's t test)，主要用于样本含量较小(例如n < 30)，总体标准差σ未知的正态分布。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。在R语言中T检验用的方法为:t.test(),如果数据不符合正态分布，也就是数据当中有较大的离群值时，可选用非参数秩和检验法，如Wilcoxon test，R语言中对应的方法为...
r语言平均值显著性检验_用R语言解读统计检验-F检验
weixin_29771573的博客
12-30 1万+
R的极客理想系列文章，涵盖了R的思想，使用，工具，创新等的一系列要点，以我个人的学习和体验去诠释R的强大。R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。要成为有理想的极客，我们不能停留在语法上，要掌握牢固...
T检验与F检验的区别（通俗理解）
u014158708的博客
11-02 1万+
转载自：一抹新绿的博客（新浪） http://blog.sina.com.cn/s/blog_4ee13c2c01016div.html 1，T检验和F检验的由来 一般而言，为了确定从样本(sample)统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。   通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布(probabili
R语言t检验
zsc943290710的博客
03-25 2万+
一、概念 t检验又称Student's t检验，是以t分布为基础的统计分析方法。是定量资料分析中最为常见的假设检验方法。 二、应用条件 1、在单样本t检验中，总体标准差σ未知且样本含量较小（n<50）时，要求样本来自正态分布总体； 2、两个小样本均数比较时，要求两个样本均来自正态分布总体，且两样本总体方差相等； 如果两个样本方差不等，则用t'检验； 3、对于两个大样本（样本数均大于50）的均数比较； 在实际应用当中，与上述条件稍有偏差，只有数据呈单峰分布，且近似对称分布，一般影响不大。
R语言统计分析——t检验
maizeman126的博客
08-14 671
默认的备择假设是双侧的（即均值不想等，但大小的方向不确定）。当两组的观测之间相关时，我们获得的是一个非独立组设计（dependent groups design）。前-后测量设计（pre-post design）或重复测量设计（repeated measures design）同样也会产生非独立的组。一个针对两组的独立样本t检验可以用于检验两个总体的均值相等的假设。其中的y1和y2为数值型向量（即各组的结果变量）。本例结论：差异的均值足够大，可以拒绝年长和年轻粘性的平均失业率相同的假设。
统计中的f检验和t检验的区别
weixin_34375233的博客
03-28 788
参考：http://emuch.net/html/201102/2841741.html 首先是目的不同。F检验用于比较两种分析方法是否存在显著差异（单边检验）或者两种方法紧密度是否存在差异（双边检验），我记得老师说是用于检验新方法是否可行，相当于系统误差。而T检验是利用统计量t，检验操作是否存在误差，或者不同人（不同实验组）之间是否存在误差。按这种说法，如果为了彻底检验新方法，就得必须先做F检...
R语言-t检验
weixin_38322363的博客
05-04 1万+
R语言-t检验 这是一篇学习笔记。 正态性检验 由于t检验的前提假设是总体服从正态分布，因此在进行t检验之前要先进行正态性检验，观察我们用于t检验的样本是否服从正态分布。 画图法 1.画直方图，观察形状是否为倒钟形，若为倒钟形那便是接近正态分布的 hist(data$col1) 2.画QQ图，观察形状是否是一条连接主对角线的线，若是，那便是接近正态分布的 qqnorm(data$col1) 3...
R语言中的t检验
热门推荐
sanqima的专栏
01-04 2万+
两个数组的数据如下:      请用R语言，实现该数据的t检验。代码如下： > data1 <- read.table("d:/R_work/data/t.txt", header=T) > bmi <- data1$weight/data1$height^2 > t.test(bmi, mu=22.5) 效果如下：                            
R语言差异检验：t检验
tidyss
11-09 1万+
文章目录@[toc]单样本t检验适用条件具体计算公式R语言示例独立样本t检验适用条件具体计算公式R语言示例配对样本t检验适用条件具体计算公式R语言示例 t检验(student t检验)是应用t分布的特征，将t作为检验的统计量来进行统计推断方法。它对样本要求较小(例如n＜30)。 主要用途： 样本均数与总体均数的差异比较 两样本均数的差异比较 分类： 单样本t检验 独立样本t检验 配对样本t...
r语言t检验输出检验统计量_R语言：常用统计检验
weixin_35229677的博客
01-14 3377
统计检验是将抽样结果和抽样分布相对照而作出判断的工作。主要分5个步骤：建立假设求抽样分布选择显著性水平和否定域计算检验统计量判定 —— 百度百科假设检验(hypothesis test)亦称显著性检验(significant test)，是统计推断的另一重要内容，其目的是比较总体参数之间有无差别。假设检验的实质是判断观察到的“差别”是由抽样误差引起还是总体上的不同，目的是评价两种不同处理引起...
R语言的各种检验
01-04
R语言的各种检验
一些T.F检验的R代码
09-26
一些关于T,F检验的R代码，对于试验设计以及概率论和数理统计的课程的学习。有很大的帮助，虽然现在excel的功能也可以满足基础的概率分布的计算和置信区间的计算，但是通过R语言可以更加快捷方便的得到全面的结果和数据。
统计学中的t检验 、f检验、卡方检验
book_dw5189的博客
05-26 5861
统计学中的t检验 、f检验、卡方检验
R语言数据统计2——T（t）检验
LeaningR的博客
09-08 8700
t检验算法及其在R语言中的实现 常用统计方法-1：t检验，秩和检验和方差分析 1 定义 t 检验法就是在假设检验时利用 t 分布进行概率计算的检验方法。 那问题来了，什么是 t 分布呢？自行百度吧 所以我们在进行 t 检验之前，应该对数据进行正态性检验以及方差齐性检验 2 单样本T检验 1）提出假设： -2） 计算t 3）统计推断 4）在R中实现 单样本T检验 > data <- c(4.33,4.62,3.89,4.14,4.78,4.64,4.52,4.55,4
R语言计算：t分布及t检验
m0_73500130的博客
04-12 1760
t分布也称Student’s t-distribution，主要出现在小样本统计推断中，特别是当样本量较小且总体标准差未知时，用于估计正态分布的均值。其定义基于正态分布和X2分布（卡方分布）。如果随机变量X服从标准正态分布N01，而Y服从自由度为n的卡方分布，且X与Y相互独立，那么变量TnY​​服从自由度(v)为n的t。
统计学T检验与F检验
Mr__Charles的博客
10-26 652
（这并不是说如果变量间存在关联，我们可得到 5% 或 95% 次数的相同结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设计的统计学效力有关。实践中，最后的决定通常依赖于数据集比较和分析过程中结果是先验性还是仅仅为均数之间的两两>比较，依赖于总体数据集里结论一致的支持性证据的数量，依赖于以往该研究领域的惯例。每一种统计方法的检定的内容都不相同，同样是t-检定，可能是上述的检定总体中是否存在差异，也同能是检定总体中的单一值是否等於0或者等於某一个数值。相反，若比较后发现，出现的机率很高，并不罕见；
医学数据分析实训 项目三 关联规则分析预备项目---购物车分析
最新发布
m0_73678713的博客
09-16 321
【代码】医学数据分析实训 项目三 关联规则分析预备项目---购物车分析。
GeoPandas在地理空间数据分析中的应用
eeee~~的博客
09-13 1147
本文演示了基于GeoPandas库在世界地图中根据经纬度进行地点标记。
编写R语言求t检验和f检验的代码
06-09
t检验： 假设有两组样本，分别为x和y，需要进行t检验来判断两组样本的差异是否显著。 ``` # 生成两组样本数据 x <- rnorm(20, 10, 2) y <- rnorm(20, 12, 2) # 进行t检验 t.test(x, y) ``` 其中，t.test函数的参数为两组样本数据，函数会返回t检验的结果，包括t值、自由度、p值等。 f检验： 假设有多组样本，需要进行f检验来判断多组样本是否具有显著差异。 ``` # 生成3组样本数据 x <- rnorm(20, 10, 2) y <- rnorm(20, 12, 2) z <- rnorm(20, 15, 2) # 进行f检验 anova(lm(c(x, y, z) ~ c(rep("x", 20), rep("y", 20), rep("z", 20)))) ``` 其中，anova函数的参数为线性模型lm，通过将多组样本数据合并成一个数据集，用因子变量区分不同的组别，进行线性回归，从而进行f检验。函数会返回f检验的结果，包括f值、自由度、p值等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值