非參數檢驗方法有哪些?

常用非參數假設檢驗方法有哪些?

非參數檢驗是在總體方差未知或知道甚少的情況下，利用樣本數據對總體分佈形態等進行推斷的方法。由於非參數檢驗方法在推斷過程中不涉及有關總體分佈的參數，因而得名為“非參數”檢驗。

常用的檢驗方法包括曼-惠特尼U檢驗，KS檢驗，中位數檢驗、符號檢驗、 Friedman多樣本檢驗等。具體的可以查通用的統計學教材或看百度百科。baike.baidu.com/view/2550937.htm

非參數檢驗的檢驗方法

兩獨立樣本的非參數檢驗兩獨立樣本的非參數檢驗是在對總體分佈不甚瞭解的情況下，通過對兩組獨立樣本的分析來推斷樣本來自的兩個總體的分佈等是否存在顯著差異的方法。獨立樣本是指在一個總體中隨機抽樣對在另一個總體中隨機抽樣沒有影響的情況下所獲得的樣本。SPSS中提供了多種兩獨立樣本的非參數檢驗方法，其中包括曼-惠特尼U檢驗、K-S檢驗、W-W遊程檢驗、極端反應檢驗等。某工廠用甲乙兩種不同的工藝生產同一種產品。如果希望檢驗兩種工藝下產品的使用是否存在顯著差異，可從兩種工藝生產出的產品中隨機抽樣，得到各自的使用壽命數據。甲工藝：675 682 692 679 669 661 693乙工藝：662 649 672 663 650 651 646 652曼-惠特尼U檢驗兩獨立樣本的曼-惠特尼U檢驗可用於對兩總體分佈的比例判斷。其原假設：兩組獨立樣本來自的兩總體分佈無顯著差異。曼-惠特尼U檢驗通過對兩組樣本平均秩的研究來實現判斷。秩簡單說就是變量值排序的名次，可以將數據按升序排列，每個變量值都會有一個在整個變量值序列中的位置或名次，這個位置或名次就是變量值的秩。K-S檢驗K-S檢驗不僅能夠檢驗單個總體是否服從某一理論分佈，還能夠檢驗兩總體分佈是否存在顯著差異。其原假設是：兩組獨立樣本來自的兩總體的分佈無顯著差異。這裡是以變量值的秩作為分析對象，而非變量值本身。遊程檢驗單樣本遊程檢驗是用來檢驗變量值的出現是否隨機，而兩獨立變量的遊程檢驗則是用來檢驗兩獨立樣本來自的兩總體的分佈是否存在顯著差異。其原假設是：兩組獨立樣本來自的兩總體的分佈無顯著差異。兩獨立樣本的遊程檢驗與單樣本遊程檢驗的思想基本相同，不同的是計算遊程數的方法。兩獨立樣本的遊程檢驗中，遊程數依賴於變量的秩。極端反應檢驗極端反應檢驗從另一個角度檢驗兩獨立樣本所來自的兩總體分佈是否存在顯著差異。其原假設是：兩獨立樣本來自的兩總體的分佈無顯著差異。基本思想是：將一組樣本作為控制樣本，另一組樣本作為實驗樣本。以控制樣本作為對照，檢驗實驗樣本相對於控制樣本是否出現了極端反應。如果實驗樣本沒有出現極端反應，則認為兩總體分佈無顯著差異，相反則認為存在顯著差異。多獨立樣本的非參數檢驗多獨立樣本的非參數檢驗是通過分析多組獨立樣本數據，推斷樣本來自的多個總體的中位數或分佈是否存在顯著差異。多組獨立樣本是指按獨立抽樣方式獲得的多組樣本。SPSS提供的多獨立樣本非參數檢驗的方法主要包括中位數檢驗、Kruskal-Wallis檢驗、Jonckheere-Terpstra檢驗。例：希望對北京、上海、成都、廣州四個城市的週歲兒童的身高進行比較分析。採用獨立抽樣方式獲得四組獨立樣本。中位數檢驗中位數檢驗通過對多組獨立樣本的分析，檢驗它們來自的總體的中位數是否存在顯著差異。其原假設是：多個獨立樣本來自的多個總體的中位數無顯著差異。基本思想是：如果多個總體的中位數無顯著差異，或者說多個總體有共同的中位數，那麼這個共同的中位數應在各樣本組中均處在中間位置上。於是，每組樣本中大於該中位數或小於該中位數的樣本數目應大致相同。Kruskal-Wallis檢驗Kruskal-Wallis檢驗實質是兩獨立樣本的曼-惠特尼U檢驗在多個樣本下的推廣，也用於檢驗多個總體的分佈是否存在顯著差異。其原假設是：多個獨立樣本來自的多個總體的分佈無顯著差異。基本思想是：首先，將多組樣本數據混合並按升序排序，求出各變量值的秩；然後，考察各組秩的均值是否存在顯著差異。容易理解：如果各組秩的均值不存在顯著差異，則是多組數據充分混合，數值相差不大的結果，可以......

非參數檢驗適用於哪些情況

收藏推薦 在單因素計量資料的統計分析中,我們通常要對均數作參數估計或假設檢驗,但這些方法需滿足下述三個條件:①抽樣總體為正態分佈或近似正態分佈,②各抽樣總體為等方差或方差齊性;③各變量值間是相互獨立的。又如用積差法計算簡單直線相關係數,也要求抽樣總體為正態雙變量。但在實際應用上,某些總體的分佈形狀有時並不知道,或者總體分佈的正態性假定並不能得到實現,尤其在醫學和生物學領域中,有關總體的分佈難得滿足正態性的要求。於是一種非參數檢驗就很需要了。歸納起來,非參數檢驗適用於下列情況: 1.等級順序資料:即將觀察單位技某種屬性的不同程度分組計數,得到各組觀察單位數。例如:用某藥治療一批老慢支病人,其療效分為近控、顯效、有效、無效四個等級,其等級最按療效好壞的順序劃分的,又如腎炎病人尿中蛋白含量以一、士、+、十十、十+十、+十十十順序等級劃分,然後按各等級點計人數。上述情況均屬等級順序資料,這些資料不易精確定量。若要比較療效,可用非參數方法中的秩和檢驗等。

參數檢驗和非參數檢驗的區別

【參數檢驗】當總體分佈已知（如總體為正態分佈），根據樣本數據對總體分佈的統計參數進行推斷。

【非參數檢驗】當總體分佈未知，或知道甚少的情況下，利用樣本數據對總體分佈形態等進行推斷的方法。

【二者聯繫】參數檢驗和非參數檢驗都是統計分析方法的重要組成部分，共同構成統計推斷的基本內容。

【二者區別】

1、參數檢驗是在總體分佈形式已知的情況下，對總體分佈的參數如均值、方差等進行推斷的方法。但是，在數據分析過程中，由於種種原因，人們往往無法對總體分佈形態作簡單假定，此時參數檢驗的方法就不再適用了。

2、非參數檢驗正是一類基於這種考慮，在總體方差未知或知道甚少的情況下，利用樣本數據對總體分佈形態等進行推斷的方法。由於非參數檢驗方法在推斷過程中不涉及有關總體分佈的參數，因而得名為“非參數”檢驗。

非參數檢驗的非參數檢驗

SPSS單樣本非參數檢驗是對單個總體的分佈形態等進行推斷的方法，其中包括卡方檢驗、二項分佈檢驗、K-S檢驗以及變量值隨機性檢驗等方法。總體分佈的卡方檢驗例如，醫學家在研究心臟病人猝死人數與日期的關係時發現：一週之中，星期一心臟病人猝死者較多，其他日子則基本相當。當天的比例近似為2.8：1：1：1：1：1：1。現收集到心臟病人死亡日期的樣本數據，推斷其總體分佈是否與上述理論分佈相吻合。卡方檢驗方法可以根據樣本數據，推斷總體分佈與期望分佈或某一理論分佈是否存在顯著差異，是一種吻合性檢驗，通常適於對有多項分類值的總體分佈的分析。它的原假設是：樣本來自的總體分佈與期望分佈或某一理論分佈無差異。二項分佈檢驗在生活中有很多數據的取值是二值的，例如，人群可以分成男性和女性，產品可以分成合格和不合格，學生可以分成三好學生和非三好學生，投擲硬幣實驗的結果可以分成出現正面和出現反面等。通常將這樣的二值分別用1或0表示。如果進行n次相同的實驗，則出現兩類（1或0）的次數可以用離散型隨機變量X來描述。如果隨機變量X為1的概率設為P，則隨機變量X值為0的概率Q便等於1-P，形成二項分佈。SPSS的二項分佈檢驗正是要通過樣本數據檢驗樣本來自的總體是否服從指定的概率為P的二項分佈，其原假設是：樣本來自的總體與指定的二項分佈無顯著差異。從某產品中隨機抽取23個樣品進行檢測並得到檢測結果。用1表示一級品，用0表示非一級品。根據抽樣結果驗證該批產品的一級品率是否為90%。單樣本K-S檢驗K-S檢驗方法能夠利用樣本數據推斷樣本來自的總體是否服從某一理論分佈，是一種擬合優度的檢驗方法，適用於探索連續型隨機變量的分佈。例如，收集一批週歲兒童身高的數據，需利用樣本數據推斷週歲兒童總體的身高是否服從正態分佈。再例如，利用收集的住房狀況調查的樣本數據，分析家庭人均住房面積是否服從正態分佈。單樣本K-S檢驗的原假設是：樣本來自的總體與指定的理論分佈無顯著差異，SPSS的理論分佈主要包括正態分佈、均勻分佈、指數分佈和泊松分佈等。變量值隨機性檢驗變量值隨機性檢驗通過對樣本變量值的分析，實現對總體的變量值出現是否隨機進行檢驗。例如，在投硬幣時，如果以1表示出現的是正面，以0表示出現的是反面，在進行了若干次投幣後，將會得到一個以1，0組成的變量值序列。這時可能會分析“硬幣出現正反面是否是隨機的”這樣的問題。變量值隨機性檢驗正是解決這類問題的一個有效方法。它的原假設是：總體變量值出現是隨機的。變量隨機性檢驗的重要依據是遊程。所謂遊程是樣本序列中連續出現相同的變量值的次數。可以直接理解，如果硬幣的正反面出現是隨機的，那麼在數據序列中，許多個1或許多個0連續出現的可能性將不太大，同時，1和0頻繁交叉出現的可能性也會較小。因此，遊程數太大或太小都將表明變量值存在不隨機的現象。例：為檢驗某耐壓設備在某段時間內工作是否持續正常，測試並記錄下該時間段內各個時間點上的設備耐壓的數據。現採用遊程檢驗方法對這批數據進行分析。如果耐壓數據的變動是隨機的，可認為該設備工作一直正常，否則認為該設備有不能正常工作的現象。

簡述參數檢驗和非參數檢驗各有何優缺點

計量資料一般是參數、非參數檢驗都是可以的。但是對於能使用參數檢驗的，首選參數檢驗，對不能滿足條件的才選用非參數檢驗。 參數檢驗 一般有：T檢驗，方差分析，（要求：方差齊性、正態分佈）一般也是用於計量資料。選用非參數檢驗的情況有：①總體分佈不易確定（也就是不知道是不是正態分佈）②分佈呈非正態而無適當的數據轉換方法③等級資料④一段或兩段無確定數據等（比如一段的數據是>50,是一個開區間） 1，參數檢驗是針對參數做的假設，非參數檢驗是針對總體分佈情況做的假設，這個是區分參數檢驗和非參數檢驗的一個重要特徵。 2，二者的根本區別在於參數檢驗要利用到總體的信息（總體分佈、總體的一些參數特徵如方差），以總體分佈和樣本信息對總體參數作出推斷；非參數檢驗不需要利用總體的信息（總體分佈、總體的一些參數特徵如方差），以樣本信息對總體分佈作出推斷。 3，參數檢驗只能用於等距數據和比例數據，非參數檢驗主要用於記數數據。也可用於等距和比例數據，但精確性就會降低。 非參數檢驗往往不假定總體的分佈類型，直接對總體的分佈的某種假設（例如如稱性、分位數大小等等假設）作統計檢驗。當然，上一節介紹的擬合優度檢驗也是非參數檢驗。除了擬合優度檢驗外，還有許多常用的非參數檢驗。最常見的非參數檢驗統計量有 3類：計數統計量、秩統計量、符號秩統計量。

卡方檢驗與非參數檢驗的區別，和各自的使用條件

卡方檢驗是對兩個或兩個以上樣本率（構成比）進行差別比較的統計方法。 T檢驗，主要是用於小樣本（樣本容量小於30）的兩個平均值差異程度的檢驗方法。它是用T分佈理論來推斷差異發生的概率，從而判定兩個平均數的差異是否顯著。 T檢驗的適用條件：正態分佈資料。 你是要做什麼統計呢？？

統計學中非參數檢驗包括什麼假設檢驗

非參數檢驗是對單個總體的分佈形態等進行推斷的方法，

其中包括卡方檢驗、二項分佈檢驗、K-S檢驗以及變量值隨機性檢驗等方法。

統計學中非參數檢驗包括什麼假設檢驗

這個問題問的，非參數檢驗包括那些假設檢驗，就包括它那一章所有的檢驗。