卡方检验与非参数检验解读.ppt

* * 应用案例 * * 如果样本容量很小，并且无法确定样本数据是否来自正态分布总体，此时可以选择以下两种方法来分析两独立总体均值间的区别： （1）用不依赖于正态总体假设的Wilcoxon秩和检验； （2）对于数据进行正态转换后使用合并方差的t检验。 本节介绍用Wilcoxon秩和检验来检验两组值间是否有差别。在合乎这些检验的条件下，Wilcoxon秩和检验和合并方差及独立方差的t检验一样有效；当t检验假设不符合时，Wilcoxon秩和检验更有效。 * 10.4 两个独立总体的非参数分析：Wilcoxon秩和检验 * * 应用案例 * * * * §10.5 单因素方差分析的非参数分析：Kruskal-Wallis秩检验 如果第9章中单因素方差分析的F检验的正态分布假设条件不符合时，可以使用Kruskal-Wallis秩检验。Kruskal-Wallis秩检验是两独立总体Wilcoxon秩和检验的延伸，主要用于检验项独立总体是否有相等均值。Kruskal-Wallis秩检验和单因素方差分析的F检验一样有效。 * * * * * * * * 中国人民大学六西格玛质量管理研究中心 * 应用统计第5章 * LOGO 卡方检验和非参数检验 在总体分布形式已知条件下未知参数检验问题。但实际问题中总体的分布形式往往是未知的，虽然根据中心极限定理可以有相当的把握认为大多数经济变量服从或近似服从正态分布，但有时为了使所做的统计推断更具说服力，就需要对总体的分布形式进行检验。 * 本章主要内容： （1）总体分布的卡方（ ）检验； （2）两个比例差异的卡方（）检验（独立样本）； （3）两个以上比例差异的卡方（）检验（独立样本）； （4）独立性的卡方（）检验； （5）两个比例差异的McNEMAR检验（相关样本）； （6）两个独立总体的非参数检验（Wilcoxon秩和检验）； （7）单因素方差分析的非参数检验（Kruskal-Wallis秩检验） * 检验的基本原理 (1)设x1,x2,,xn为总体X的一组样本观察值，F(x)为某一已知分布的分布函数，?1, ?2,, ?r是的r个待定参数，分别是r个参数的点估计，以分别代替?1, ?2,….,?r ，作原假设 H0：总体X的分布函数为F(x) (2) 将F(x)的定义域划分为k个互不相交的区间 (ai , ai+1?，i =1,2,…, k；记fi为样本观察值x1, x2,…, xn落在第个区间(ai ,ai+1? 内的频数，并记 Pi=P{ai X≤ ai+1}= F(ai+1)-F(ai ) * §.1总体分布的 检验 为以F(x)为分布函数的随机变量在区间 (ai ,ai+1? 上取值的概率，i =1,2,…, k。则当H0为真时，由贝努里定理，当n充分大时，n次独立重复试验结果的实际频率 与其概率Pi之间的差异并不显著，于是显然可以用统计量来刻画它们间总的差异的大小。其中nPi为理论频数。当H0为真时，下式的值就应当较小 * (3) 可以证明，当n充分大时(n ≥ 50)，若H0为真，则统计量 近似服从(k -r -1)分布。其中r为分布F(x)中待定参数的个数 于是在给定显著性水平?下，若 就拒绝H0，说明总体X的真实分布函数与F(x)间存在显著差异；否则接受H0，即可以认为两者在水平?下并无显著差异。 * 某厂有一台经常需要维修的设备，该设备中有一个易损坏的重负荷轴承，设备故障的主要原因是轴承损坏。为了制定该设备的维修计划和维修预算，需要了解该轴承的寿命分布。表10.1给出了100个轴承寿命的观察数据，问：该轴承寿命是否服从正态分布？ * 解：由表中数据，用Excel可求得 =120.95， S2=40.582 ，故可作原假设 H0：X~ N (120，402) 将实轴划分为如下7个互不相交的区间。用Excel的FREQUENCY函数计算数据落在各区间内的频数，用NORMDIST函数求出各理论频数nPi ，统计量的计算如表所示。 * * 取显著性水平? = 0.25 (由于原假设H0是我们希望得到的结果，为使检验结论更具说服力，控制的重点应是与原假设H0不真而接受H0的概率，故? 应取的稍大些)。本例中k = 7，r = 2，k –r -1 = 4。 故在水平? = 0.25下接受原假设H0，即可认为该轴承的使用寿命服从N (120，402)分布。 * §.2 比例差异的 检验（独立样本） §10.2.1 两个比例差异的检验 前面，我们