介绍非参数方法

统计和机器学习工具箱™功能包括单向和双向方差分析的非参数版本。与经典测试,非参数测试只是轻微的假设数据,并适当的非正态分布的数据。另一方面,他们不太强大的比正态分布数据的经典方法。

这里描述的非参数函数将返回一个统计数据结构,可以作为输入multcompare函数多重比较。

克鲁斯卡尔-沃利斯检验

这个例子执行单向方差分析使用单向方差分析来确定牛奶不同的细菌数量装运货物。单向分析基于假设测量是独立的,并且每个人都有一个正态分布与一个共同的方差和平均在每一列是常数。可以得出这样的结论:列意味着并不都是一样的。下面的例子重复使用非参数分析过程。

克鲁斯卡尔-沃利斯检验是一个单向方差分析的非参数版本。这背后的假设测试是测量来自一个连续分布,但不一定是正态分布。测试是基于一个方差分析使用的数据值,而不是数据值本身。输出包括表类似于方差分析表,和一盒阴谋。

您可以运行这个测试如下:

负载霍格p = kruskalwallis(何克p = 0.0020)

低p值意味着克鲁斯卡尔-沃利斯测试结果同意单向方差分析的结果。

弗里德曼的测试

执行双向方差分析使用双向方差分析来研究汽车模型的影响和工厂汽车里程。示例测试是否这两种因素对里程有显著的影响,以及这些因素之间是否存在交互。这个例子的结论是没有交互,但是每个因素有显著的影响。下一个示例检查是否会导致非参数分析得出相同的结论。

弗里德曼的测试是一种非参数检验对数据有一个双向布局(两个分类因素分组的数据)。与双向方差分析,弗里德曼的测试不把两个因素对称和不测试它们之间的交互。相反,它是一个测试的列是否不同差异调整后可能行。测试是基于一个方差分析使用的数据类别的行因素。输出包含一个表类似于方差分析表。

您可以运行弗里德曼的测试如下。

负载里程p =弗里德曼(里程,3)p = 7.4659 e - 004

回忆的经典方差分析了p列值测试效果,行效应和交互效应。这p值的列的影响。使用这个p值或p从方差分析(p< 0.0001),你认为有重大的列影响。

为了测试行效果,你需要重新排列数据交换行中的列的角色。一个数据矩阵x没有复制,你可以简单的转置和类型的数据

p =弗里德曼(x ')

复制数据稍微复杂。一个简单的方法是将矩阵转换为一个三维数组的第一个维度代表复制,交换其他两个维度,并恢复二维形状。

x =重塑(里程,[3 2 3]);x =排列(x, [1 3 2]);2 x =重塑(x, [9]) x = 33.3000 32.6000 33.4000 32.5000 32.9000 33.0000 34.5000 33.4000 34.8000 33.7000 33.8000 33.9000 37.4000 36.6000 36.8000 37.0000 37.6000 36.7000弗里德曼(x, 3) ans = 0.0082

再一次,结论是类似于经典的方差分析。这两p从方差分析值和一个(p= 0.0039)让你觉得有重大的行影响。

你不能用弗里德曼的测试测试行和列因素之间的相互作用。