目录Python全系列 教程
3567个小节阅读：5931.5k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
相关样本的非参数检验是在对总体不了解的情况下，对样本所在的相关配对总体的分布是否存在显著性差异进行检验。
该检验一般应用与对同一研究对象（或配对对象）分别给与K种不同处理或处理前后的效果进行比较，前者推断K种效果有无显著差异，后者推断某种处理是否有效。
示例：数据是对减肥人员进行体重测量。统计了减肥前体重、减肥1一个月体重、减肥2个月体重和减肥3个月体重。分析减肥后不同的月份体重是否有明显的差别。
原假设：减肥前体重、减肥1一个月体重、减肥2个月体重和减肥3个月体重来自同一个分布的总体。
加载数据
① 傅莱德曼检验
双向等级方差分析，其零假设：样本来自得多配对总体分布无显著差异。
基本思想：消除区组内差异的影响，对不同区组的处理因素进行比较，因此独立地在每一区组内各自对数据进行排秩，消除区组内的差异，以检验各种处理之间是否存在差异。
点击“确定”，在输出窗口查看结果：
从描述统计中可以看到数据的个案数、平均值、标准偏差等信息。
从傅莱德曼检验可以看到从减肥前的体重到减肥1个月的体重、减肥2个月的体重、减肥3个月的体重秩平均值依次减小。
从检验统计中可以看到，显著性小于0.05，说明原假设不成立。减肥前体重、减肥1一个月体重、减肥2个月体重和减肥3个月体重有显著性差异。
② 肯德尔检验
主要用于分析评判者的评判标准是否一致公平，它将每个评判对象的分数都看做是来自多个配对总体的样本。其零假设：样本来自的多配对总体分布无显著差异 方法是计算和谐系数W，以分析k个相关样本是否来自同一总体或具有相同分布。协同系数W值介于0～1之间，W越接近于1则表示各评判对象的评判标准是一致的。
示例：评委对12位跳水运动员评分，分析12位跳水运动员得分是否存在显著性差异，评委的评分标准是否一致。
原假设：假设12位跳水运行员的得分不存在显著性差异。
从检验结果可以看到：显著性小于0.05，说明12位跳水运动员的得分是存在显著性差异的，也就是评委评分标准是一致的。
③ 柯克兰检验
该检验适用于二分类变量，其零假设：样本来自的多配对总体分布无显著差异。
示例：观众对4个节目是否满意的一个问卷调查，0表示不满意，1表示满意。使用K个相关样本检验4个节目之间是否存在显著性差异。
原假设：假设4个节目之间不存在显著性差异。
从检验统计中看到显著性大于0.05，不能拒绝原假设，说明4个节目之间不存在显著性差异。
