【R语言】单一样本推断问题
非参数统计概念:
在实际问题中,对数据的分布形式和统计模型难以作出比较明确的假定,最多只能对总体的分布做出类似于连续性型分布或者对某点对称等一般性假定。这种不假设总体分布的具体形式,尽量从数据(样本)本身获得所需要的信息,通过估计而获得分布的结构,并逐步建立对事物的数学描述和统计建模的方法称为非参数方法。
单一样本的推断问题:
符号检验
符号检验所关心的就是通过符号“+”“-”的个数来进行统计推断
eg:假设某城市16座欲出售的楼盘均价(单位:百元 /平方米)
36 32 31 25 28 36 40 32 41 26 35 35 32 87 33 35
问:该地盘楼盘价格是否与媒体公布的3700元/平方米说法相符?
分析:
总体均值的点估计是样本均值,总体中位数的点估计是样本中位数,由于中位数的稳健性,将37理解为总体的中位数,则假设问题为:
H0:M=37 H1: M不等于37(待检验的中位数值)
假设:
S+:位于37右边的个数 S-: 位于37左边的个数
令K=min{S+,S-},且K服从p=0.5的二项分布
R代码:
##1.S-为检验统计量
sign1.test = function(x,pi,q0){
s1 = sum(x<q0) #S-的个数
s2 = sum(x>q0) #S+的个数
n = s1+s2
p1 = pbinom(s1,n,pi) ### 取检验统计量K=S-,计算 P(K<=s1)
p2 = 1-pbinom(s1-1,n,pi) ### 计算 P(K>=s1)
if(p1 < p2){ m1 = "one tail test:H1: Q > q0"
}else{
m1 = "one tail test:H1: Q < q0"
}
p.value = min(p1,p2)
m2 = "two tails test"
p.value2 = 2*p.value
list(sign.test.type = m1,p.values.of.one.test = p.value,p.value.of.two.tail.test = p.value2)
}
##以上便构建了符号检验的函数,接下来可以直接调用
data=c(36,31,25,28,36,40,32,41,26,35,35,32,87,33,35,32)##赋值
x=median(data)##获取样本中位数
sign1.test(data,0.5,37)
结果解读:
p=0.02127<0.05(显著性水平),拒绝H0,认为该地盘楼盘价格是否与媒体公布的3700元/平方米存在显著差异。
趋势检验
对于趋势分析,我们用一些数对来反映前后数据的变化。为保证数对同分布,前后两个数的间隔应该固定;为保证数对不受局部干扰,前后两个数的间隔应该较大。Cox-Staut趋势检验,是以数列中位于中间位置的数为拆分点,前后两两组成数对。
例:一个住宅小区的夜间噪音长期一直保持在30分贝。后来附近有建筑工地施工。数据是连续12天夜间在该小区所测得的噪声水平(分贝)。
30,31,33,35,31,30,68,60,65,67,66,64
请问:该建筑工地是否提高了小区的噪声水平?
建立假设:
Ho:该建筑工地没有提高小区的噪声水平
H1:该建筑工地提高了小区的噪声水平
检验统计量选取:
S=min{S+,S-}
S+:每一数对前后两值之差为正的个数
S-:每一数对前后两值之差为负的个数
R代码:
CS.test = function(x){
m = length(x)
c = if(m/2-round(m/2)==0){m/2}else{(m+1)/2} ### 此处亦可用floor(m/2)代替round(m/2)
d = if(m/2-round(m/2)==0){x[1:c]-x[(c+1):m]}else{x[1:(c-1)]-x[(c+1):m]}
n1 = length(d[which(d > 0)]) ### n1 = length(which(d > 0))
n2 = length(d[which(d < 0)])
n = n1+n2
s1 = sum(sign(d)== 1)
s2 = sum(sign(d)== -1)
if(n1 > n2){
m1 = "one tail test:H1: decreasing"
p.value = pbinom(n2,n,0.5)
}else{
m1 = "one tail test:H1: increasing"
p.value = pbinom(n1,n,0.5)
}
m2 = "two tails test"
s = min(s1,s2)
p.value2 = 2*pbinom(s,n,0.5)
if(n1==n2){p.value = 0.5;p.value2 = 1}
list(sign.test.type = m1,p.values.of.one.test = p.value,p.value.of.two.tail.test = p.value2)
}
上述就是Cox-Staut检验的算法代码
代入数据:
x=c(30,31,33,35,31,30,68,60,65,67,66,64)
结果分析:
单边检验P=0.015625<0.05(显著性水平)
故拒绝H0,认为该建筑工地提高了小区的噪声水平。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14