文档介绍：该【R语言显著性分析文字描述 】是由【青山代下】上传分享，文档一共【9】页，该文档可以免费在线阅读，需要了解更多关于【R语言显著性分析文字描述 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。R语言显著性分析文字描述一、何为显著性检验显著性检验的思想十分的简单,就是认为小概率事件不可能发生。虽然概率论中我们一直强调小概率事件必然发生,但显著性检验还是相信了小概率事件在我做的这一次检验中没有发生。显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异,以及这种差异是否显著的方法。常把一个要检验的假设记作H0,称为原假设(或零假设),与H0对立的假设记作H1,称为备择假设。⑴在原假设为真时,决定放弃原假设,称为第一类错误,其出现的概率通常记作α;⑵在原假设不真时,决定接受原假设,称为第二类错误,其出现的概率通常记作β。通常只限定犯第一类错误的最大概率α,不考犯第二类错误的虑概率β。这样的假设检验又称为显著性检验,概率α称为显著性水平。我们常用的显著性检验有t检验,卡方检验,相关性检验等,在做这一些检验时,有什么需要注意的呢?二、正态性与P值t检验,卡方检验,相关性检验中的pearson方法都是建立在正态样本的假设下的,所以在假设检验开始时,一般都会做正态性分析。()。来作正态性检验。。P值是可以拒绝原假设的最小水平值。三、四个重要的量综合前面的叙述,我们知道研究显著性检验有四个十分重要的量:样本大小,显著性水平,功效,效应值。样本大小:这个显然,样本越多,对样本的把握显然越准确,但是鉴于我们不可能拥有无限制的样本,那么多少个样本可以达到要求?今天的分享中我们可以通过R来找到答案。显著性水平:犯第一类错误的概率,这个在做检验前我们会提前约定,最后根据P值来决定取舍。功效:这个是在显著性检验中一般不提及但实际十分有用的量。它衡量真实事件发生的概率。也就是说功效越大,第二类错误越不可能发生。虽然显著性假设检验不提及它,但衡量假设检验的好坏的重要指标便是两类错误尽可能小。效应值:备择假设下效应的量四、用pwr包做功效分析Pwr包中提供了以下函数:。1、t检验调用格式:(n=NULL,d=NULL,=,power=NULL,参数说明:N:样本大小D::显著性水平Power:功效水平Type:检验类型,这里默认是两样本,且样本量相同Alternative:统计检验是双侧还是单侧,这里默认为双侧举例说明:已知样本量为60,((data)$statistic取出来),显著水平α=,那么功效是多少呢?R中输入命令:得到结果:One-samplettestpowercalculationn=60d====,犯第二类错误的概率在50%以上,我们应该相信这个结果吗(无论根据P值来看是拒绝还是接受)?显然不行,那么需要多少个样本才能把第二类错误降低到10%呢?在R中输入:得到结果:One-samplettestpowercalculationn=====,,我们不在赘述,我们下面再介绍另一种t检验的情况:两样本不相等。调用格式:(n1=NULL,n2=NULL,d=NULL,=,参数说明:(TypeIerrorprobability)powerPoweroftest(1minusTypeIIerrorprobability)alternativeacharacterstringspecifyingthealternativehypothesis,mustbe(default),or例如:两个样本量为90,60,,单侧t检验,α=,为望大指标。R中的命令:输出结果:ttestpowercalculationn1=90n2=60d====greater可以看出功效十分大,且α=,我们相信这次检验的结论很可信。2、()函数对相关性分析进行功效分析。格式如下:(n=NULL,r=NULL,=,power=这里和t检验不同的是r是线性相关系数,可以通过cor(data1,data2)获取,但需要注意的是不要输入spearman,kendall相关系数,他们是衡量等级相关的。假定我们研究抑郁与孤独的关系,我们的原假设和备择假设为:H0:r<:r>,原假设不真,我们想有90%的信心拒绝H0,需要观测多少呢?下面的代码给出答案:approximatecorrelationpowercalculation(arctanghtransformation)n=====greater易见,需要样本134个3、卡方检验原假设为变量之间独立,备择假设为变量不独立。(),调用格式:(w=NULL,N=NULL,df=NULL,=,power=NULL)其中w为效应值,,df为列联表自由度举例:prob<-matrix(c(,,,,,,,),nrow=2,byrow=TRUE)(prob)(w=(prob),df=(2-1)*(4-1),N=200)输出结果:Chisquaredpowercalculationw==200df===:Nisthenumberofobservations也就是说,这个观测下反第二类错误的概率在13%左右,结果较为可信。在R中还有不少与功效分析有关的包,我们不加介绍的把它们列举如下: