主要内容

signrank

魏克森讯号等级测试

所有的页面崩溃

语法

p = signrank (x)
p = signrank (x, y)
p = signrank (x, y,名称、值)
[p, h] = signrank (___)
[p, h,统计]= signrank (___)
(___]= signrank (x, m)
(___]= signrank (x, m,名称,值)

描述

例子

p= signrank (x)返回p值的一方魏克森讯号等级测试。

signrank测试数据的零假设向量x来自一个分布的中位数是零在5%的显著性水平。测试假设的数据x来自一个连续分布对称的值。

例子

p= signrank (x,y)返回p值的配对,两面测试的零假设x- - - - - -y来自一个分布为零值。

p= signrank (x,y,名称,值)返回p值的符号检验由一个或多个指定附加选项的名字,价值对参数。

(p,h)= signrank (___)还返回一个逻辑值表明测试的决定。h=1表示拒绝零假设,h=0表明失败拒绝零假设在5%的显著性水平。您可以使用任何输入参数的前面的语法。

例子

(p,h,统计数据)= signrank (___)还返回结构统计数据检验统计量的信息。

例子

(___)= signrank (x,米)返回任何输出参数在前面语法中的数据的零假设x从分布与观测值吗米。

例子

(___)= signrank (x,米,名称,值)返回任何输出参数在前面语法签署了等级考试的指定的一个或多个额外的选项的名字,价值对参数。

例子

全部折叠

打开生活的脚本

测试的假设为零值。

生成样本数据。

rng (“默认”)%的再现性x = randn (1,25) + 1.30;

测试数据的假设x为零值。

[p, h] = signrank (x)
p = 3.2229 e-05
h =逻辑1

默认为5%显著性水平,价值h= 1表示测试拒绝零假设为零值。

打开生活的脚本

测试假设零值的配对样本之间的差异。

生成样本数据。

rng (“默认”)%的再现性x = lognrnd(2升至10,1);y = x + trnd (2, 1);

测试的假设x- - - - - -y为零值。

[p, h] = signrank (x, y)
p = 0.3223
h =逻辑0

结果表明,测试失败拒绝零假设的零值默认为5%显著性水平的差异。

打开生活的脚本

进行站在大样本测试使用近似。

加载示例数据。

负载(“gradespaired.mat”);

测试中值的零假设学生的年级差异之前和之后参与辅导计划是0对替代,它小于0。

[p, h,统计]= signrank (gradespaired (: 1),…gradespaired (:, 2),“尾巴”,“左”)
p = 0.0047
h =逻辑1
统计=结构体字段:zval: -2.5982 signedrank: 2.0175 e + 03

由于样本容量大于15,signrank使用一种近似计算方法 p 值并返回的值 z 统计。的值h= 1表示测试拒绝零假设,没有区别的年级中位数5%显著性水平。有足够的统计证据得出结论,辅导项目前的平均等级小于中位数后年级辅导计划。

重复测试使用的方法。

[p, h,统计]= signrank (gradespaired (: 1), gradespaired (:, 2),…“尾巴”,“左”,“方法”,“准确”)
p = 0.0045
h =逻辑1
统计=结构体字段:signedrank: 2.0175 e + 03

使用近似方法获得的结果是一致的准确的方法。

打开生活的脚本

加载示例数据。

负载里程

每加仑英里数的数据包含三种不同类型的汽车在列1 - 3。

测试假设的里程中位数在第二列的类型汽车不同于33。

[p, h,统计]= signrank(里程(:,2),33)
p = 0.0313
h =逻辑1
统计=结构体字段:signedrank: 21

在5%的显著性水平,结果表明,第二种类型的汽车里程中值不同于33。请注意,signrank使用一个精确的计算方法 p 值为小样本,不返回 z 统计。

打开生活的脚本

使用参数的名称-值对signrank。

加载示例数据。

负载里程

数据包含三种不同类型的汽车每加仑汽油行驶里程在列1 - 3。

测试的假设中位数在第二行里程的汽车比33。

[p, h,统计]= signrank(里程(:,2),33岁“尾巴”,“对”)
p = 0.0156
h =逻辑1
统计=结构体字段:signedrank: 21

重复运行相同的测试使用的近似方法在1%的显著性水平。

[p, h,统计]= signrank(里程(:,2),33岁“尾巴”,“对”,…“α”,0.01,“方法”,“近似”)
p = 0.0180
h =逻辑0
统计=结构体字段:zval: 2.0966 signedrank: 21

这个结果,h= 0,表明不能拒绝零假设在1%的显著性水平。

输入参数

全部折叠

样本数据,指定为一个向量。

数据类型:单|双

样本数据,指定为一个向量。y必须是相同的长度吗x。

数据类型:单|双

假设值的值,指定为一个标量。

例子:signrank (x, 10)

数据类型:单|双

名称-值对的观点

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

例子:“阿尔法”,0.01,“法”、“近似”,“尾巴”,“对”指定一个right-tailed签署以1%的显著性水平等级测试,它返回近似假定值。

假设检验的显著性水平的决定,指定为逗号分隔组成的“α”和一个标量值在0到1之间。的显著性水平h是100 *α%。

例子:“α”,0.01

数据类型:双|单

计算的方法p,指定为逗号分隔两人组成的“方法”和一个以下。

“准确” 精确的计算p值,p。默认值为15或更少的观察x,x- - - - - -米,或x- - - - - -y当方法是未指定的。
“近似” 正常的近似计算p值,p。默认值超过15的观察x,x- - - - - -米,或x- - - - - -y当“方法”不明,因为具体的方法可以减缓在大样本。

例子:“方法”,“准确”

测试类型,指定为逗号分隔组成的“尾巴”和下列之一:

“两个”

双边假设检验,这是默认的测试类型。

  • 一个示例测试,替代假设状态的数据x来自一个比0或连续分布中值不同米。

  • 两个示例测试,替代假设状态的数据x- - - - - -y来自一个分布中值不同于0。
“对”

Right-tailed假设检验。

  • 一个示例测试,替代假设状态的数据x来自一个与中值大于0或连续分布米。

  • 两个示例测试,替代假说中的数据x- - - - - -y来自一个分布中值大于0。
“左”

Left-tailed假设检验。

  • 一个示例测试,替代假设状态的数据x来自一个与中值小于0或连续分布米。

  • 两个示例测试,替代假说中的数据x- - - - - -y来自一个分布中值小于0。

例子:“尾巴”,“左”

输出参数

全部折叠

p测试的价值,作为一个非负标量返回从0到1。p是观察一个检验统计量的概率比下的观测值或更极端的零假设。signrank计算双边p最重要的片面的价值增加一倍的价值。

假设检验的结果,作为一个逻辑值返回。

  • 如果h= 1,这表明拒绝零假设在100年*α%显著性水平。

  • 如果h= 0,这表明未能在100 *拒绝零假设α%显著性水平。

测试统计数据,作为一个结构返回。测试数据存储在统计数据是:

  • signrank:符号秩检验统计量的价值。

  • zval:价值z——统计(计算当“方法”是“近似”)。

更多关于

全部折叠

魏克森讯号等级测试

魏克森讯号等级测试是两个种群的非参数检验观测是成对的。在这种情况下,测试统计,W,是积极的行列的总和观察的两个样本之间的差异(即,x- - - - - -y)。当你使用测试一个样品,然后W的总和的积极的观察和猜测中值之间的差异米0当你使用(0signrank (x)和米当你使用signrank (x, m))。

z统计量

对于大样本,或者当方法是近似,signrank函数计算p值使用z统计,由

z = ( W − n ( n + 1 ) / 4 ) n ( n + 1 ) ( 2 n + 1 ) − t 我 e 一个 d j 24 ,

在哪里n样本大小的区别吗x - y或x- - - - - -米。对于两个示例的情况,signrank使用[tie_rank, tieadj] = tiedrank (abs (diffxy), 0, 0, epsdiff)获取领带调整值tieadj。

算法

signrank对待南年代x和y作为缺失值,忽略了他们。

对于两个示例的情况,signrank使用一个基于值的公差epsdiff =每股收益(x) + eps (y)。signrank计算差异的绝对值(abs (d (i))在哪里d (i) = x (i) - y(我))和比较epsdiff。值的绝对值小于epsdiff(abs (d (i)) < epsdiff(我))被视为关系。

引用

[1]长臂猿,j . D。,和S. Chakraborti.非参数统计推断第五。波卡拉顿,FL:查普曼&大厅/ CRC出版社,泰勒和弗朗西斯集团,2011年。

[2]打浆机,M。,和D. A. Wolfe.非参数统计方法。新泽西州霍博肯:约翰·威利& Sons Inc ., 1999年。

另请参阅

|||

之前介绍过的R2006a

统计和机器学习工具箱文档

金宝app

掌握机器学习:一个循序渐进的指导与MATLAB

掌握机器学习:一个循序渐进的指导与MATLAB

下载电子书