本文使用两个实例说明了假设检验的过程，在Python中使用KS检验来验证一个数列是否是服从正态分布，两个数列是否服从相同分布等问题。
假设检验的基本思想： 若对总体的某个假设是真实的，那么不利于或者不能支持这一假设的事件A在一次试验中是几乎不可能发生的。如果事件A真的发生了，则有理由怀疑这一假设的真实性
转载
2024-04-07 18:30:26
123阅读
本文与普通的讲述 K-S 检验的文章略有不同，分为两部分：(1). 针对大部分分布的 Kolmogorov–Smirnov 检验（真正的K-S检验）(2). 仅适用于高斯分布的基于分布曲线形状的 kurtosis-skewness 检验准则（冒牌的K-S检验） 一、
转载
2024-01-16 14:49:45
211阅读
本文主要讲解使用SPSS进行单样本K-S检验和两独立样本的K-S检验，附带案例实战
原创
2024-05-24 10:38:59
0阅读
最小生成树在含有n个顶点的连通图中选择n-1条边，构成一棵极小连通子图，并使该连通子图中n-1条边上权值之和达到最小，则称其为连通网的最小生成树。 例如，对于如上图G4所示的连通网可以有多棵权值总和不相同的生成树。克鲁斯卡尔算法介绍克鲁斯卡尔(Kruskal)算法，是用来求加权连通图的最小生成树的算法。基本思想：按照权值从小到大的顺序选择n-1条边，并保证这n-1条边不构成回路。&nbs
转载
2024-09-20 13:45:03
90阅读
1，T检验和F检验的由来 一般而言，为了确定从样本(sample)统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。 通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较，我们可以知道在多少%的机会下会得到目前的结果。倘若经比较后发现，出现这结果的机率
转载
2024-06-26 14:05:56
57阅读
一、定义 定义：单样本K-S检验是以两位前苏联数学家Kolmogorov和Smirnov命名的，也是一种拟合优度的非参数检验方法。单样本K-S检验是利用样本数据推断总体是否服从某一理论分布的方法，适用于探索连续型随机变量的分布形态。 单样本K-S检验可以将一个变量的实际频数分布与正态分布（Normal）、均匀分布（Uniform）、泊松分布（Poisson）、指数（Exponential）分布进行比较。其零假设H0为样本来自的总体与指定的理论分布无显著差异。 SPSS实现K-S检验的过程如下： （1）根据样本数据和用户的指定构造出理论分布，查分布表得到相应的理论累计概率分布函数F0(X...
转载
2012-09-25 19:18:00
318阅读
2评论
R语言-组间差异的非参数检验7.5 组间差异的非参数检验 如果数据无法满足t检验或ANOVA的参数假设，可以转而使用非参数方法。举例来说，若结果变量在本质上就严重偏倚或呈现有序关系，那么你可能会希望使用本节中的方法。7.5.1 两组的比较 若两组数据独立，可以使用Wilcoxon秩和检验（更广为人知的名字是Mann–Whitney U检验）来评估观测是否是从相同的概率分布中抽得的（即，在一个总体中
转载
2023-08-23 12:17:45
199阅读
# 使用 Python 进行信度检验的入门指南
信度检验是多组数据中评估问卷、测试或测量工具的一种方法，通常用于评估它们的一致性和可靠性。Python 提供了一些强大的库来帮助我们实现这一目标。本篇文章将为刚入行的小白介绍如何用 Python 进行信度检验的基本流程和代码示例。
## 一、信度检验的基本流程
我们可以将信度检验的整个流程分为以下几个步骤：
| 步骤 | 描述
原创
2024-09-30 03:42:25
130阅读
需要excel数据源文件的请去下载，只保留少数列的数据，剩余的2000多个数据已经被我删除了。帮学医的同学弄完一个python数据处理的程序，怕以后忘记了，记录下来t检验是计量资料的假设检验中最为简单常用的，当样本含量n较小时，比如n小于60。配对t检验又称成对t检验，适用于配对设计的计量资料。配对设计是将受试对象按照某些重要特征，如可疑混杂因素性别等配成对子，每对中的两个受试对象随机分配到两处理
转载
2024-01-18 17:35:53
59阅读
CRAN任务视图：计量经济学线形回归模型（Linear regression models）ž 线形模型可用stats包中lm()函数通过OLS来拟合，该包中也有各种检验方法用来比较模型，如：summary() 和anova()。ž lmtest包里的coeftest()和waldtest()函数是也支持渐近检验（如：z
转载
2024-01-24 18:44:39
79阅读
柯尔莫哥洛夫-斯米尔诺夫检验（Колмогоров-Смирнов检验）基于累计分布函数，用以检验两个经验分布是否不同或一个经验分布与另一个理想分布是否不同。 在进行cumulative probability统计(如下图)的时候，你怎么知道组之间是否有显著性差异？有人首先想到单因素方差分析或双尾检
原创
2021-07-16 09:28:30
3820阅读
基于Python的T检验本文讨论的T检验分为三类，分别是：单样本t检验，适用于对一组数据的均值进行检验配对的双样本T检验，适用于配对的两组数据之间的差异进行检验独立双样本T检验，适用于两组两组独立数据的差异，又可以进一步分为等方差的独立样本t检验和异方差的独立样本T检验本文介绍3种T检验的使用方法，最后介绍T检验的一般报告格式单样本T检验单样本t检验用于比较单列正态分布与给定均值是否具有显著差异，
转载
2023-08-21 19:38:04
899阅读
废话不多说，直接开始进入配对T检验简单的说配对T检验就是单样本T检验的变形。用观察组和对照组相减。得到的差值做单样本T检验。例：为研究某铁剂治疗和饮食治疗营养性缺铁性贫血的效果，将16名患者按年龄、体重、病程和病情相近的原则配成8对，分别使用饮食疗法和补充铁剂治疗的方法，3个月后测得两组患者血红蛋白质如表3-1，问两种方法治疗后患者的血红蛋白值有无差别? 1.SASSAS语句：data
转载
2023-08-26 09:14:22
110阅读
# 项目方案：使用R语言进行DW检验
## 简介
在统计学中，Durbin-Watson（DW）统计量是一种用于检验数据中是否存在自相关性的方法。在本项目中，我们将使用R语言对数据集进行DW检验，并根据检验结果判断数据中是否存在自相关性。
## 流程图
```mermaid
flowchart TD
A[导入数据集] --> B{是否需要数据预处理}
B -->|是| C[
原创
2024-04-26 05:44:41
422阅读
卡方检验/列联表资料的卡方检验在临床中非常常见！因为最近又有一批临床数据要进行统计，所以趁机把卡方检验的R语言实现再重新梳理一遍。 文章目录不同类型卡方检验的选择四格表资料的卡方检验方法1方法2配对四格表资料的卡方检验四格表资料的 Fisher 确切概率法行 x 列表资料的卡方检验多个样本率的比较样本构成比的比较双向无序分类资料的关联性检验双向有序分组资料的线性趋势检验多个样本率间的多重比较Coc
转载
2023-07-29 14:30:03
335阅读
LLC初步分析基波分析法用基波分析法分析的原因用基波分析法分析的条件用基波分析法分析的目的用基波分析法分析的适用范围基于基波等效法分析LLC的等效模型LLC的输入等效模型LLC的输出等效模型LLC增益 基波分析法该章节介绍用基波分析法分析LLC的原因、条件、目的和适用范围用基波分析法分析的原因LLC变换依靠近似基波传输能量，所以需要采样基波分析法。用基波分析法分析的条件LLC电路含有LC谐振回路
转载
2024-06-24 14:23:00
137阅读
一、概述（F检验）显著性检验：检测自变量是否真正影响到因变量的波动。（t检验）回归系数检验：单个自变量在模型中是否有效。二、回归模型检验检验回归模型的好坏常用的是F检验和t检验。F检验验证的是偏回归系数是否不全为0（或全为0），t检验验证的是单个自变量是否对因变量的影响是显著的（或不显著）。F检验和t检验步骤：提出问题的原假设和备择假设在原假设的条件下，构造统计量根据样本信息，计算统计量的值对比统
转载
2023-07-14 10:19:21
1042阅读
Delong检验一、Delong检验的作用用于比较两个ROC曲线的性能，Delong检验是用于AUC面积的显著性检验的。如果两个模型的AUC大小有异但是没有通过Delong检验，那么也不能说明这两个模型有显著的不同。总之，Delong检验就是一种统计学上用于检验AUC显著性的检验方法。二、Delong检验的原理Delong检验本质上是构造一个变量，这个变量涉及了用于比较的两个AUC值，并且是服从或
转载
2023-08-25 10:28:15
2012阅读
文章目录前言一、主成分适用性检验二、KMO检验1.计算公式2.Matlab代码总结 前言 主成分分析已经越来越成为人们广泛应用的多元统计分析方法。但应用中盲目套用主成分分析方法的情况很多, 而对主成分分析的适用性, 主成分个数的合理性等问题重视不够, 更谈不上对主成分分析进行统计检验。 为此, 为了更好应用主成分分析, 就应对主成分分析结果进行统计检验并建立统计检验体系。其中不可或缺的一步便是
转载
2023-10-05 21:28:32
825阅读
R语言进行DW检验：library(lmtest)
dw = dwtest(fm1)> dw
Durbin-Watson test
data: fm1
DW = 2.4994, p-value = 0.8706 DW检验的原假设为：误差不相关！因为dw>0.05所以不拒绝原假设，即认为误差是不相关的。 误差自相关会产生的后果：1．参数估计量仍然是线性的、无偏的，但非
转载
2023-06-02 10:50:21
1166阅读
