8.4: Тестування...

Значення різниці між засобами для парних параметричних даних (t-тест для парних даних):

Код\(\PageIndex{1}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
t.test(data$WEIGHT, data$LENGTH, paired=TRUE)

... t-тест для незалежних даних:

Код\(\PageIndex{2}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
t.test(data$WEIGHT, data$LENGTH, paired=FALSE)

(Останній приклад призначений для навчання лише тому, що наші дані парні, оскільки кожен рядок відповідає одній тварині. Крім того, «paired=false» є типовим для t.test (), тому його можна пропустити.)

Ось як порівняти значення одного символу між двома групами за допомогою інтерфейсу формули:

Код\(\PageIndex{3}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
t.test(data$WEIGHT ~ data$SEX)

Формула була використана, оскільки наші дані про вагу/стать знаходяться в довгому вигляді:

Код\(\PageIndex{4}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
data[, c("WEIGHT", "SEX")]

Перетворіть дані про вагу/стать у коротку форму та протестуйте:

Код\(\PageIndex{5}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
data3 <- unstack(data[, c("WEIGHT", "SEX")])
t.test(data3[[1]], data3[[2]])

(Зверніть увагу, що результати тестів абсолютно однакові. Тільки формат був іншим.)

Якщо p-значення дорівнює або менше 0,05, то різниця статистично підтримується. R не вимагає від вас перевірки, чи однакова дисперсія.

Непараметричний тест Вілкоксона на відмінності:

Код\(\PageIndex{6}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
wilcox.test(data$WEIGHT, data$LENGTH, paired=TRUE)

Односторонній тест на відмінності між трьома і більше групами (простий варіант ANOVA, аналіз варіації):

Код\(\PageIndex{7}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
wilcox.test(data$WEIGHT ~ data$SEX)

Які пари (пари) значно відрізняються?

Код\(\PageIndex{8}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
pairwise.t.test(data$WEIGHT, data$COLOR, p.adj="bonferroni")

(Ми використовували корекцію Бонферроні для декількох порівнянь.)

Непараметричний тест Крускала-Уолліса на наявність відмінностей між трьома і більше групами:

Код\(\PageIndex{9}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
kruskal.test(data$WEIGHT ~ data$COLOR)

Які пари значно відрізняються в цьому непараметричному тесті?

Код\(\PageIndex{10}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
pairwise.wilcox.test(data$WEIGHT, data$COLOR)

Значення відповідності категоріальних даних (непараметричний Пірсон хі-квадрат, або\(\chi^2\) тест):

Код\(\PageIndex{11}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
chisq.test(data$COLOR, data$SEX)

Значення пропорцій (непараметричних):

Код\(\PageIndex{12}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
prop.test(sum(data$SEX), length(data$SEX), 0.5)

(Тут ми перевірили, якщо це правда, що частка чоловічої статі відрізняється від 50%.)

Значення лінійної кореляції між змінними параметричним способом (кореляційний тест Пірсона):

Код\(\PageIndex{13}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
cor.test(data$WEIGHT, data$LENGTH, method="pearson")

... і непараметричний спосіб (кореляційний тест Спірмена):

Код\(\PageIndex{14}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
cor.test(data$WEIGHT, data$LENGTH, method="spearman")

Значення (і багато іншого) лінійної моделі, що описує відношення однієї змінної до іншої:

Код\(\PageIndex{15}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
summary(lm(data$LENGTH ~ data$SEX))

... і аналіз варіації (ANOVA) на основі лінійної моделі:

Код\(\PageIndex{16}\) (R):

data <- read.table("data/bugs.txt", h=TRUE)
aov(lm(data$LENGTH ~ data$SEX))