R语言中的检验方法总结

转自：http://blog.csdn.net/hawksoft/article/details/7679263

1、W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验)

     检验数据是否符合正态分布，R函数：shapiro.test().
     结果含义：当p值小于某个显著性水平α(比如0.05)时，则认为

    样本不是来自正态分布的总体，否则则承认样本来自正态分布的总体。

2、K检验(经验分布的Kolmogorov-Smirnov检验)

      R函数:ks.test(),如果P值很小，说明拒绝原假设，表明数据不符合F(n,m)分布。

3、相关性检验：
     R函数：cor.test()

cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = c("pearson", "kendall", "spearman"),
exact = NULL, conf.level = 0.95, ...)

结果含义：如果p值很小，则拒绝原假设，认为x,y是相关的。否则认为是不相关的。

4、T检验
用于正态总体均值假设检验，单样本，双样本都可以。      

t.test()

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

结果意义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）

 

5、正态总体方差检验

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

结果含义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）

6、二项分布总体假设检验

binom.test(x, n, p = 0.5,
alternative = c("two.sided", "less", "greater"),
conf.level = 0.95)

原假设：p=p0,p<p0,p<p0 计算结果p-值很小，表示拒绝假设，否则为接受假设.

7、Pearson 拟合优度χ2检验
chisq.test(x, y = NULL, correct = TRUE,
p = rep(1/length(x), length(x)), rescale.p = FALSE,
simulate.p.value = FALSE, B = 2000)     

 原假设H0：X符合F分布。
  p-值小于某个显著性水平，则表示拒绝原假设，否则接受原假设。

8、Fisher精确的独立检验：
fisher.test(x, y = NULL, workspace = 200000, hybrid = FALSE,
control = list(), or = 1, alternative = "two.sided",
conf.int = TRUE, conf.level = 0.95)
原假设：X,Y相关。

9、McNemar检验：

mcnemar.test(x, y = NULL, correct = TRUE)

原假设：两组数据的频数没有区别。

10、秩相关检验
cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = "spearman", conf.level = 0.95, ...)

原假设：x,y相关.

11、Wilcoxon秩检验
wilcox.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, exact = NULL, correct = TRUE,
conf.int = FALSE, conf.level = 0.95, ...)
原假设：中位数大于，小于，不等于mu.