成对数据化为单样本数据检验需要满足以下条件:
- 每一对数据来自同一个或者可比较的相似对象
- 对之间相互独立
- 都是连续变量
检验方法
记两样本分别为(X_i),(Y_i),构造(D_i=X_i-Y_i);对(D_i)数据进行单样本位置参数的检验即可。
Brown-Mood中位数检验
若两样本中位数相同,则将样本数据混合后,样本数据应均匀分布在混合后的中位数两侧。
(H_0:M_X=M_Y);(H_1:M_x\neq M_Y)
根据混合排序后的结果可绘制2×2列联表:
总和
总和
当(m),(n)和(t)固定时,(A)的服从超几何分布:
(A\sim H(t,m,m+n))
(p(A=k)=\dfrac{\binom{m}{k}\binom{n}{t-k}}{\binom{m+n}{t}})
在大样本条件下,(A)近似服从正态分布:
(A\sim N(mt/(m+n),mnt(m+n-t)/(m+n^3)))
Wilcoxon(Mann-Whitney)秩和检验
将两样本混合后,两样本在混合样本中的秩和相等。
两总体分布形状类似(否则使用B-M检验效果更好)
(H_0:M_X=M_Y);(H_1:M_x\neq M_Y)
记混合后(X)样本的秩和为(W_X),(Y)样本的秩和为(W_Y);
(W_{XY})表示混合样本中(Y) 大于(X)的个数,(W_{YX})表示混合样本中(X) 大于(Y)的个数;
则存在以下关系:
(W_Y=W_{XY}+\dfrac{1}{2}n(n+1))
(W_X=W_{YX}+\dfrac{1}{2}m(m+1))
(W_{XY}+W_{YX}=mn)
令(W=\min{W_{XY},W_{YX}})
递推公式为:
(P(W=k)=P_{m,n}(k)=\dfrac{n}{m+n}P_{m,n-1}(k-m)+\dfrac{m}{m+n}P_{m-1,n}(k))
在大样本条件下,(W_{XY})近似服从正态分布:
(W_{XY}\sim N(mn/2,mn(m+n+1)/12))
基本思想
绘制列联表,数据集中在主对角线上,说明两样本一致性强。
检验步骤
(H_0:\pi_a=\pi_b);(H_1:\pi_a\neq \pi_b)
构造卡方统计量:
(\chi^2=\dfrac{(n_{12}-n_{21})^2}{n_{12}+n{21}}\sim \chi^2(1))
此处查表即可
大样本近似检验
大样本条件下,(\chi)近似服从标准正态分布。
基本思想
绘制列联表,数据集中在主对角线上,说明两样本一致性强。
计算方式
Cohen’s Kappa一致性系数定义为:
(\kappa = \dfrac{p_a-p_e}{1-p_e})
其中(p_a=\sum_{i=1}^{I}n_{ii}/n)表示对角线(一致性)元素在样本中的占比;(p_e=\sum_{i=1}^{I}n_{i+}n_{+i}/n^2)表示非对角线元素在样本中的占比。
Original: https://www.cnblogs.com/Easterlin/p/16374884.html
Author: Esterlin
Title: 非参数统计:第三章 两样本数据
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/603766/
转载文章受原作者版权保护。转载请注明原作者出处!