R語言系列學習(各種檢驗)

1、W檢驗（Shapiro–Wilk (夏皮羅–威克爾 ) W統計量檢驗)

     檢驗資料是否符合常態分佈，R函數：shapiro.test().
     結果含義：當p值小於某個顯著性水平α(比如0.05)時，則認為

    樣本不是來自常態分佈的總體，否則則承認樣本來自常態分佈的總體。

2、K檢驗(經驗分布的Kolmogorov-Smirnov檢驗)

      R函數:ks.test(),如果P值很小，說明拒絕原假設，表明資料不符合F(n,m)分布。

3、相關性檢驗：
     R函數：cor.test()

cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = c("pearson", "kendall", "spearman"),
exact = NULL, conf.level = 0.95, ...)

結果含義：如果p值很小，則拒絕原假設，認為x,y是相關的。否則認為是不相關的。

4、T檢驗
用於正態總體均值假設檢驗，單樣本，雙樣本都可以。      

t.test()

t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)

結果意義：P值小於顯著性水平時拒絕原假設，否則，接受原假設。具體的假設要看所選擇的是雙邊假設還是單邊假設（又分小於和大於）

 

5、正態總體方差檢驗

t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)

結果含義：P值小於顯著性水平時拒絕原假設，否則，接受原假設。具體的假設要看所選擇的是雙邊假設還是單邊假設（又分小於和大於）

6、二項分布總體假設檢驗

binom.test(x, n, p = 0.5,
alternative = c("two.sided", "less", "greater"),
conf.level = 0.95)

原假設：p=p0,p<p0,p<p0 計算結果p-值很小，表示拒絕假設，否則為接受假設.

7、Pearson 擬合優度χ2檢驗
chisq.test(x, y = NULL, correct = TRUE,
p = rep(1/length(x), length(x)), rescale.p = FALSE,
simulate.p.value = FALSE, B = 2000)     

 原假設H0：X符合F分布。
  p-值小於某個顯著性水平，則表示拒絕原假設，否則接受原假設。
8、Fisher精確的獨立檢驗：
fisher.test(x, y = NULL, workspace = 200000, hybrid = FALSE,
control = list(), or = 1, alternative = "two.sided",
conf.int = TRUE, conf.level = 0.95)
原假設：X,Y相關。

9、McNemar檢驗：

mcnemar.test(x, y = NULL, correct = TRUE)

原假設：兩組資料的頻數沒有區別。

10、秩相關檢驗
cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = "spearman", conf.level = 0.95, ...)

原假設：x,y相關.

11、Wilcoxon秩檢驗
wilcox.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, exact = NULL, correct = TRUE,
conf.int = FALSE, conf.level = 0.95, ...)
原假設：中位元大於，小於，不等於mu.