客服电话
APP下载
迪恩网络APP
随时随地掌握行业动态
官方微信
扫描二维码
关注迪恩网络微信公众号
|
用于两种测量结果的一致性比较,必须是n*n的矩阵 取值范围：-1（不一至）~1（一致） Kappa值的指导准则（并非绝对标准）：越高越好！ Kappa≥0.75，说明两种方法结果一致性较好 0.4≤Kappa< 0.75，说明两种方法结果一致性一般 Kappa< 0.4，说明两种方法结果一致性较差 K=0.49,Z=5.213大于99%的标准正态分布Z值2.58，故p<0.01 (1.858e-07)=> 故推断该k值并非由于抽样误差所致，接受由该k值所下的统计推断（一般一致），如果Z值<1.96，则p>0.05，则k值大小没有意义。 Library(vcd) x<-cbind(c(115,103),c(121,180)) Kappa(x) 卡方检验：对稀疏矩阵无效 卡方独立性检验 chisq.test(data,correct=F) Correct等于T时，为默认值，p<0.05拒绝“这两 个变量是独立的”的原假设。 卡方等比例检验 chisq.test(data,correct=T) chisq.test(data,correct=F) 原假设为某个变量在所有总体中的分布是一样的 卡方拟合优先度检验 x<-c(1,99) p<-c(0.05,99.95) chisq.test(x, p = p, rescale.p = TRUE) 原假设：一个分类变量的总体分布服从某种特定的分布。 费尔希精确检验：用于不满足卡方检验分布要求的小的或稀疏的数据集上 fisher.test(data) McNemar配对检验：每一对样本中，两个人的关系非常亲密或非常相关 mcnemar.test(x, correct = T) p>0.05,二者无明显差异 非参数统计（不满足正态分布）： 方差齐性检验：（满足正态分布） bartlett.test(x~A,data=cpi)，p>0.05接受原假设，满足方差齐性 leveneTest(X~A,data=data2) 符号秩和检验：（1至2组组内，组间） H0:μ=μ0 H1:μ≠ μ0 【双侧】 H1:μ>μ0 【单侧greater】 H1:μ<μ0【单侧less】 wilcox.test(data$x,mu = 8, alternative ="greater") two.sided greater less p<0.05拒绝原假设 H检验：（组间） kruskal.test(x~g,data=data2) p>0.05接受原假设，几者间无明显差异 单因素方差分析，有显著性差异进行多重比较 data2<-data.frame(x<- c(data[,1],data[,2],data[,3]),A<-factor(rep(1:3, c(6, 6, 6)))) m<-aov(x~A,data=data2) summary(m) mm<-TukeyHSD(m) mm Friedman检验:(组内) friedman.test(dm) p<0.05拒绝原假设 数据标准化处理 |
请发表评论