前面咱們說了那么多檢驗(yàn)方法,其實(shí)前面說的可以分為兩大類:參數(shù)檢驗(yàn)和非參數(shù)檢驗(yàn)。 我們最前面說的關(guān)于定量資料(計(jì)量資料)基本都是參數(shù)檢驗(yàn),而定性資料大多是非參數(shù)檢驗(yàn),比如卡方檢驗(yàn)就是非參數(shù)檢驗(yàn)。
咦,問題來了!為啥有的叫參數(shù)檢驗(yàn),有的叫非參數(shù)檢驗(yàn),到底啥才是參數(shù)檢驗(yàn),啥又是非參數(shù)檢驗(yàn)?zāi)兀?/p>
嗯,這里我給你舉個例子你立馬明白~ 比如倆人比個子,有兩種辦法: 1、找把尺子,分別測量倆人的身高,然后研究數(shù)字的具體情況,這就是參數(shù)檢驗(yàn)。 2、倆人站一起,直接比高低,這就是非參數(shù)檢驗(yàn)。 簡單吧。當(dāng)然簡單理解起來可以從這個方向去理解,實(shí)際情況要復(fù)雜很多。
先看看定義: 參數(shù)檢驗(yàn):在總體分布類型已知的條件下,對未知參數(shù)檢驗(yàn)。 非參數(shù)檢驗(yàn):不是對參數(shù)進(jìn)行檢驗(yàn),而是檢驗(yàn)總體分布位置是否相同。 看完定義,說說非參數(shù)檢驗(yàn)的適用條件: 1、總體分布類型不明 2、總體分布呈偏態(tài)分布 3、數(shù)據(jù)一端或兩端有不確定的資料 4、總體方差分布不齊 5、有序分類變量資料 這個有序分類變量資料是不是眼熟?對啊,昨天剛說過,是卡方檢驗(yàn)處理不了的情況之一啊。
好啦,接下來進(jìn)入正題,說說今天的主人公--秩和檢驗(yàn)(rank sum test). 秩和檢驗(yàn)是首先將數(shù)據(jù)從小到大,或等級從弱到強(qiáng)轉(zhuǎn)換成秩后,再求秩和,計(jì)算檢驗(yàn)統(tǒng)計(jì)量--秩和統(tǒng)計(jì)量,做出統(tǒng)計(jì)推斷。 插句閑話,也是咱們以前說過的,就是弄懂某些知識的時候,先對里面名詞的概念深入理解,就很容易理解知識的本質(zhì)。比如秩和檢驗(yàn),“秩”是什么意思呢?其實(shí)這個字的本意就是“次序”,秩和就是次序的和啦。理解到這個,就簡單了,就是次序的和的比較嘛!次序的和小了,就是總體偏小,次序的和大了,就是總體偏大,就這么簡單。
要是按照書上學(xué)的方法用秩和檢驗(yàn),那就復(fù)雜了,又是編秩了,又是求秩和啦,其實(shí),統(tǒng)統(tǒng)不用,知道這個方法干什么用就行了,然后到醫(yī)研云(1rcloud.net)直接把數(shù)據(jù)放進(jìn)去,系統(tǒng)就替你處理好了。 秩和檢驗(yàn)包括: 配對設(shè)計(jì)資料的Wilcoxon符號秩和檢驗(yàn) 單樣本資料的Wilcoxon符號秩和檢驗(yàn) 完全隨機(jī)設(shè)計(jì)兩獨(dú)立樣本W(wǎng)ilcoxon符號秩和檢驗(yàn) 完全隨機(jī)設(shè)計(jì)多個樣本的Kruskal-Wallis秩和檢驗(yàn) 隨機(jī)化區(qū)組設(shè)計(jì)資料的Friedman秩和檢驗(yàn)
|
|