教学第三讲单样本定位问题课件

独立性问题第八讲独立性问题第八讲简介1.对基于符号（Kendall）的独立性自由分布检验2.与Kendall统计量有关的一个估计3.基于Kendall统计量一个渐进自由分布置信区间4.基于秩（Spearman）的独立性自由分布检验简介1.对基于符号（Kendall）的独立性自由分布检验第三讲单样本定位问题课件数据：我们得到二元观察值：每n个主体里面有一个观察值假设：n个二元观察值是来自连续二元总体的随机样本。也就是说，是相互独立，且与某连续的二元总体同分布。我们感兴趣的零假设是：对所以的（8.1）对基于符号（Kendall）的独立性自由分布检验数据：我们得到二元观察值：如果X与Y是独立的，则有：对（8.1）的备择假设是变量X与Y之间的相依性，这也是我们最感兴趣的。在这里，我们集中通过Kendall群体相关系数来测量相依性类型。我们注意到事件发生当且仅当事件或事件发生，所以：类似地：（8.2）如果X与Y是独立的，则有：对（8.1）的备择假设是变量X与Y所以，在零假设成立的条件下，即：变量X与Y是独立的，则：但是我们注意到并不一定表明变量X与Y是独立的。以下介绍符号（Kendall）的独立性自由分布检验。所以，在零假设成立的条件下，即：变量X与Y是独立的，则：但是为了计算Kendall样本相关统计量K，我们首先计算对符号统计量其中：也就是说，以于每对下标如果是正的，我们给1分，如果是负的，我们给-1分。因此，Kendall统计量K为：

（8.6）从一对符号统计量相应地加1或减1。步骤：为了计算Kendall样本相关统计量K，我们首先计算也就是说所以：一：单边的上尾检验，相应的备择假设是：如果，则拒绝零假设，其中：是第一类错误概率等于的值，反之，则接受零假设。二：单边的下尾检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。三：双边检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。所以：大样本逼近在零假设下：大样本逼近在零假设下：所以：一：单边的上尾检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。二：单边的下尾检验，相应的备择假设是：如果,则拒绝零假设，反之，则接受零假设。三：双边检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。所以：当应用大样本逼近时，如果在X或Y存在结时，则在零假设下，K的方差变为：在这里表示X组不同数的数目，表示Y组中不同数的数目，是组i

中X结的数目，是组j中Y结的数目当应用大样本逼近时，如果在X或Y存在结时，则在零假设下，K的例8.1：金枪鱼罐头和质量。表8.1的数据是由Rasekh，克莱默，和芬奇（1970年）旨在确定各种因素促成的金枪鱼罐头与质量的相对重要性，并找到客观的方法来确定质量参数，以及消费者的偏爱的一项研究中获得数据的一部分。表8.1提供对9个金枪鱼罐头的猎人L明度测量与小组成绩的值。原来的消费小组分数很好，很好，很好，公平，穷人，和不能接受的是转换为数值6，5，4，3，2和1。在表8.1小组积分是80这个值的平均值。（所以Y随机变量是离散的，连续性的部分假设A是不满意。尽管如此，因为每个Y是80这个值的平均值，我们不必过度的担心偏离假设）

人们怀疑，猎人L值与小组评分是正相关的。因此，我们应用单边的上尾检验。(8.1)对为了说明起见，我们考虑了显著水平。查表我们找到，所以，如果，则拒绝零假设。例8.1：金枪鱼罐头和质量。表8.1的数据是由Rasekh表8.19个金枪鱼罐头的猎人L测量与小组成绩的值标签猎人L值（X）

小组成绩（Y）44.42.62.553.35.044.73.644.14.02.860.13.8来源：Rasekh，克莱默，和芬奇（1970年）表8.19个金枪鱼罐头的猎人L测量与小组成绩的值标签cor.test(x,y,alternative=c("two.sided","less","greater"),method=c("pearson","kendall","spearman"),exact=NULL,conf.level=0.95,...)x,ynumericvectorsofdatavalues.xandymusthavethesamelength.alternativeindicatesthealternativehypothesisandmustbeoneof"two.sided","greater"or"less".Youcanspecifyjusttheinitialletter."greater"correspondstopositiveassociation,"less"tonegativeassociation.methodacharacterstringindicatingwhichcorrelationcoefficientistobeusedforthetest.Oneof"pearson","kendall",or"spearman",canbeabbreviated.exactalogicalindicatingwhetheranexactp-valueshouldbecomputed.UsedforKendall'stauandSpearman'srho.SeetheDetailsforthemeaningofNULL(thedefault).conf.levelconfidencelevelforthereturnedconfidenceinterval.CurrentlyonlyusedforthePearsonproductmomentcorrelationcoefficientifthereareatleast4completepairsofobservations.cor.test(x,y,alternative=cstatisticthevalueoftheteststatistic.

parameterthedegreesoffreedomoftheteststatisticinthecasethatitfollowsatdistribution.p.Valuethep-valueofthetest.estimatetheestimatedmeasureofassociation,withname"cor","tau",or"rho"correspondingtothemethodemployed.

null.valuethevalueoftheassociationmeasureunderthenullhypothesis,always0.

alternativeacharacterstringdescribingthealternativehypothesis.

aconfidenceintervalforthemeasureofassociation.CurrentlyonlygivenforPearson'sproductmomentcorrelationcoefficientincaseofatleast4completepairsofobservations.statisticthevalueox<-c(44.4,45.9,41.9,53.3,44.7,44.1,50.7,45.2,60.1)y<-c(2.6,3.1,2.5,5.0,3.6,4.0,5.2,2.8,3.8)cor.test(x,y,method="kendall",alternative="greater")Kendall'srankcorrelationtaudata:xandyT=26,p-value=0.05972alternativehypothesis:truetauisgreaterthan0sampleestimates:tau0.4444444cor.test(x,y,method="kendall",alternative="greater",exact=FALSE)

Kendall'srankcorrelationtaudata:xandyz=1.6681,p-value=0.04765alternativehypothesis:truetauisgreaterthan0sampleestimates:tau0.4444444x<-c(44.4,45.9,41.9,53.3,Kendall相关系数也能够写为：我们已经注意到如果X与Y是独立的，则。另一方面，如果，则或比它们的补事件或更有可能发生。所以，如果，虽然从到与从到有相同（不是相反）符号，但是从到更有可能改变。去解释X与Y之间这类关系作为正关联（用度量）的指示是合理的。类似的，去解释X与Y之间这类关系作为负关联（用度量）的指示是合理的。的解释：Kendall相关系数也能够写为：的解释：协调对/不协调对.如果,则称是协调的。如果

，则称是不协调的。所以，如果（a）且或（b）且，则是协调的，类似地，如果（c）且或（d）且，则是不协调的。现在K能够表示为其中是协调对的数目，是不协调对的数目。由于n个观察可能有种不同的方式配对，注意到如果的顺序与相同，则是协调的，当顺序不相同时就是不协调的。所以被看作是X与Y之间协调的一个平均测度，这里的协调涉及到顺序。Kendall的相关性度量：Kendall的相关性度量：如果我们取，同时考虑这里：则K能够被用做在单变量的随机样本中对时间趋势的一个检验。用K去对时间趋势进行检验被Mann(1945)所采用。Kendall统计量K的趋势检验：这里：Kendall统计量K的趋势检验：步骤：基于统计量K（8.6）的Kendall群体相关系数（8.2）的估计是：（8.34）统计量是Kendall样本秩相关系数，它的值大约近似在[-1，1]之间。例8.2(例8.1的继续)：对于表8.1的金枪鱼罐头数据，我们从（8.34）看到样本的估计是：与Kendall统计量有关的一个估计步骤：与Kendall统计量有关的一个估计步骤：为了得到带有置信系数的一个渐进自由分布的对称双边置信区间，我们首先计算：这里由（8.5）给出。令且定义：这里由（8.34）给出。与点估计相关的对带有置信系数的置信区间为，其中：基于Kendall统计量一个渐进自由分布置信区间步骤：基于Kendall统计量一个渐进自由分布置信区间所以对于的大约90%的对称置信区间为所以对于的大约90%的对称置信区间为假设：令是来自带有联合分布及边缘分布与的一个二元总体的随机样本。在这一节里，我们转向了相对于（8.1）零假设对变量之间独立性的检验问题。然而，在这里，相对于零假设的备择假设将不在是关于相关系数（8.1）的陈述。在这一节里，我们感兴趣的备择假设将很少具体的解释，相当于变量之间正关联或负关联很一般（但是很模糊）的概念。基于秩（Spearman）的独立性自由分布检验假设：基于秩（Spearman）的独立性自由分布检验步骤：为了计算Spearman秩相关系数，我们首先从最小到最大排列n个观察值，令表示在这个顺序下的秩。类似地，从最小到最大排列n个观察值，令表示在这个顺序下的秩.Spearman(1904)秩相关系数被定义为：步骤：所以：一：单边的上尾检验，相应的备择假设是：X与Y正相关。如果，则拒绝零假设，其中：是第一类错误概率等于的值，反之，则接受零假设。二：单边的下尾检验，相应的备择假设是：X与Y负相关。如果，则拒绝零假设，反之，则接受零假设。三：双边检验，相应的备择假设是：X与Y不是独立的。如果，则拒绝零假设，反之，则接受零假设。所以：大样本逼近在零假设下：大样本逼近在零假设下：所以：一：单边的上尾检验，相应的备择假设是：X与Y正相关。如果，则拒绝零假设，反之，则接受零假设。二：单边的下尾检验，相应的备择假设是：X与Y负相关。如果，则拒绝零假设，反之，则接受零假设。三：双边检验，相应的备择假设是：X与Y不是独立的。如果，则拒绝零假设，反之，则接受零假设。所以：当应用大样本逼近时，如果在X或Y存在结时，则在零假设下，用以下的代替中的：在这里表示X组不同数的数目，表示Y组中不同数的数目，是组i中X结的数目，是组j中Y结的数目.当应用大样本逼近时，如果在X或Y存在结时，则在零假设下，用以例8.5：脯氨酸和胶原肝硬化。Kershenobich，Fierro，与Rojkind（1970年）研究了在人类肝硬化中游离脯氨酸和胶原蛋白含量之间的关系。表8.9中的数据是基于来自7个病人肝硬化的肝脏的一个分析，每个具有病理诊断的门脉性肝硬化。例8.5：脯氨酸和胶原肝硬化。Kershenobich，我们感兴趣的是判断在肝硬化的肝脏中总胶原含量与游离脯氨酸之间是否存在正关联。总胶原含量游离脯氨酸病人（mg/g肝的干重）(mol/g肝的干重)17.12.827.12.937.22.848.32.659.43.5610.54.6711.45.0来源：Kershenobich，Fierro，与Rojkind（1970年）表8.9肝硬化患者的游离脯氨酸和总胶原含量我们感兴趣的是判断在肝硬化的肝脏中总胶原含量与游离脯氨酸之间>x<-c(7.1,7.1,7.2,8.3,9.4,10.5,11.4)>y<-c(2.8,2.9,2.8,2.6,3.5,4.6,5.0)>cor.test(x,y,method="spearman",alternative="g")Spearman'srankcorrelationrhodata:xandyS=16.8,p-value=0.03996alternativehypothesis:truerhoisgreaterthan0sampleestimates:rho0.7Warningmessage:Cannotcomputeexactp-valueswithtiesin:cor.test.default(x,y,method="spearman",alternative="g")>x<-c(7.1,7.1,7.2,8.3,9.4,10.与的关系：则有：与的关系：则有：

独立性问题第八讲独立性问题第八讲简介1.对基于符号（Kendall）的独立性自由分布检验2.与Kendall统计量有关的一个估计3.基于Kendall统计量一个渐进自由分布置信区间4.基于秩（Spearman）的独立性自由分布检验简介1.对基于符号（Kendall）的独立性自由分布检验第三讲单样本定位问题课件数据：我们得到二元观察值：每n个主体里面有一个观察值假设：n个二元观察值是来自连续二元总体的随机样本。也就是说，是相互独立，且与某连续的二元总体同分布。我们感兴趣的零假设是：对所以的（8.1）对基于符号（Kendall）的独立性自由分布检验数据：我们得到二元观察值：如果X与Y是独立的，则有：对（8.1）的备择假设是变量X与Y之间的相依性，这也是我们最感兴趣的。在这里，我们集中通过Kendall群体相关系数来测量相依性类型。我们注意到事件发生当且仅当事件或事件发生，所以：类似地：（8.2）如果X与Y是独立的，则有：对（8.1）的备择假设是变量X与Y所以，在零假设成立的条件下，即：变量X与Y是独立的，则：但是我们注意到并不一定表明变量X与Y是独立的。以下介绍符号（Kendall）的独立性自由分布检验。所以，在零假设成立的条件下，即：变量X与Y是独立的，则：但是为了计算Kendall样本相关统计量K，我们首先计算对符号统计量其中：也就是说，以于每对下标如果是正的，我们给1分，如果是负的，我们给-1分。因此，Kendall统计量K为：

（8.6）从一对符号统计量相应地加1或减1。步骤：为了计算Kendall样本相关统计量K，我们首先计算也就是说所以：一：单边的上尾检验，相应的备择假设是：如果，则拒绝零假设，其中：是第一类错误概率等于的值，反之，则接受零假设。二：单边的下尾检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。三：双边检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。所以：大样本逼近在零假设下：大样本逼近在零假设下：所以：一：单边的上尾检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。二：单边的下尾检验，相应的备择假设是：如果,则拒绝零假设，反之，则接受零假设。三：双边检验，相应的备择假设是：如果，则拒绝零假设，反之，则接受零假设。所以：当应用大样本逼近时，如果在X或Y存在结时，则在零假设下，K的方差变为：在这里表示X组不同数的数目，表示Y组中不同数的数目，是组i

中X结的数目，是组j中Y结的数目当应用大样本逼近时，如果在X或Y存在结时，则在零假设下，K的例8.1：金枪鱼罐头和质量。表8.1的数据是由Rasekh，克莱默，和芬奇（1970年）旨在确定各种因素促成的金枪鱼罐头与质量的相对重要性，并找到客观的方法来确定质量参数，以及消费者的偏爱的一项研究中获得数据的一部分。表8.1提供对9个金枪鱼罐头的猎人L明度测量与小组成绩的值。原来的消费小组分数很好，很好，很好，公平，穷人，和不能接受的是转换为数值6，5，4，3，2和1。在表8.1小组积分是80这个值的平均值。（所以Y随机变量是离散的，连续性的部分假设A是不满意。尽管如此，因为每个Y是80这个值的平均值，我们不必过度的担心偏离假设）

人们怀疑，猎人L值与小组评分是正相关的。因此，我们应用单边的上尾检验。(8.1)对为了说明起见，我们考虑了显著水平。查表我们找到，所以，如果，则拒绝零假设。例8.1：金枪鱼罐头和质量。表8.1的数据是由Rasekh表8.19个金枪鱼罐头的猎人L测量与小组成绩的值标签猎人L值（X）

小组成绩（Y）44.42.62.553.35.044.73.644.14.02.860.13.8来源：Rasekh，克莱默，和芬奇（1970年）表8.19个金枪鱼罐头的猎人L测量与小组成绩的值标签cor.test(x,y,alternative=c("two.sided","less","greater"),method=c("pearson","kendall","spearman"),exact=NULL,conf.level=0.95,...)x,ynumericvectorsofdatavalues.xandymusthavethesamelength.alternativeindicatesthealternativehypothesisandmustbeoneof"two.sided","greater"or"less".Youcanspecifyjusttheinitialletter."greater"correspondstopositiveassociation,"less"tonegativeassociation.methodacharacterstringindicatingwhichcorrelationcoefficientistobeusedforthetest.Oneof"pearson","kendall",or"spearman",canbeabbreviated.exactalogicalindicatingwhetheranexactp-valueshouldbecomputed.UsedforKendall'stauandSpearman'srho.SeetheDetailsforthemeaningofNULL(thedefault).conf.levelconfidencelevelforthereturnedconfidenceinterval.CurrentlyonlyusedforthePearsonproductmomentcorrelationcoefficientifthereareatleast4completepairsofobservations.cor.test(x,y,alternative=cstatisticthevalueoftheteststatistic.

parameterthedegreesoffreedomoftheteststatisticinthecasethatitfollowsatdistribution.p.Valuethep-valueofthetest.estimatetheestimatedmeasureofassociation,withname"cor","tau",or"rho"correspondingtothemethodemployed.

null.valuethevalueoftheassociationmeasureunderthenullhypothesis,always0.

alternativeacharacterstringdescribingthealternativehypothesis.

aconfidenceintervalforthemeasureofassociation.CurrentlyonlygivenforPearson'sproductmomentcorrelationcoefficientincaseofatleast4completepairsofobservations.statisticthevalueox<-c(44.4,45.9,41.9,53.3,44.7,44.1,50.7,45.2,60.1)y<-c(2.6,3.1,2.5,5.0,3.6,4.0,5.2,2.8,3.8)cor.test(x,y,method="kendall",alternative="greater")Kendall'srankcorrelationtaudata:xandyT=26,p-value=0.05972alternativehypothesis:truetauisgreaterthan0sampleestimates:tau0.4444444cor.test(x,y,method="kendall",alternative="greater",exact=FALSE)

Kendall'srankcorrelationtaudata:xandyz=1.6681,p-value=0.04765alternativehypothesis:truetauisgreaterthan0sampleestimates:tau0.4444444x<-c(44.4,45.9,41.9,53.3,Kendall相关系数也能够写为：我们已经注意到如果X与Y是独立的，则。另一方面，如果，则或比它们的补事件或更有可能发生。所以，如果，虽然从到与从到有相同（不是相反）符号，但是从到更有可能改变。去解释X与Y之间这类关系作为正关联（用度量）的指示是合理的。类似的，去解释X与Y之间这类关系作为负关联（用度量）的指示是合理的。的解释：Kendall相关系数也能够写为：的解释：协调对/不协调对.如果,则称是协调的。如果

，则称是不协调的。所以，如果（a）且或（b）且，则是协调的，类似地，如果（c）且或（d）且，则是不协调的。现在K能够表示为其中是协调对的数目，是不协调对的数目。由于n个观察可能有种不同的方式配对，注意到如果的顺序与相同，则是协调的，当顺序不相同时就是不协调的。所以被看作是X与Y之间协调的一个平均测度，这里的协调涉及到顺序。Kendall的相关性度量：Kendall的相关性度量：如果我们取，同时考虑这里：则K能够被用做在单变量的随机样本中对时间趋势的一个检验。用K去对时间趋势进行检验被Mann(1945)所采用。Kendall统计量K的趋势检验：这里：Kendall统计量K的趋势检验：步骤：基于统计量K（8.6）的Kendall群体相关系数（8.2）的估计是：（8.34）统计量是Kendall样本秩相关系数，它的值大约近似在[-1，1]之间。例8.2(例8.1的继续)：对于表8.1的金枪鱼罐头数据，我们从（8.34）看到样本的估计是：与Kendall统计量有关的一个估计步骤：与Kendall统计量有关的一个估计步骤：为了得到带有置信系数的一个渐进自由分布的对称双边置信区间，我们首先计算：这里由（8.5）给出。令且定义：这里由（8.34）给出。与点估计相关的对带有置信系数的置信区间为，其中：基于Kendall统计量一个渐进自由分布置信区间步骤：基于Kendall统计量一个渐进自由分布置信区间所以对于的大约90%的对称置信区间为所以对于的大约90%的对称置信区间为假设：令是来自带有联合分布及边缘分布与的一个二元总体的随机样本。在这一节里，我们转向了相对于（8.1）零假设对变量之间独立性的检验问题。然而，在这里，相对于零假设的备择假设将不在是关于相关系数（8.1）的陈述。在这一节里，我们感兴趣的备择假设将很少具体的解释，相当于变量之间正关联或负关联很一般（但是很模糊）的概念。基于秩（Spearman）的独立性自由分布检验假设：基于秩（Spearman）的独立性自由分布检验步骤：为了计算Spearman秩相关系数，我们首先从最小到最大排列n个观察值，令表示在这个顺序下的秩。类似地，从最小到最大排列n个观察值，令表示在这个顺序下的秩.Spearman(1904)秩相关系数被定义为：步骤：所以：一：单边的上尾检验，相应的备择假设是：X与Y正相关。