Непараметрические методы

Введение в непараметрические методы

Функции Statistics and Machine Learning Toolbox™ включают непараметрические версии одностороннего и двухстороннего дисперсионного анализа. В отличие от классических тестов, непараметрические тесты делают только мягкие предположения о данных и подходят, когда распределение данных не является нормальным. С другой стороны, они менее мощны, чем классические методы для нормально распределенных данных.

Обе непараметрические функции, описанные здесь, вернут stats структура, которая может использоваться как вход в multcompare функция для нескольких сравнений.

Тест Крускаля-Уоллиса

Пример Perform One-Way ANOVA использует однофакторный дисперсионный анализ, чтобы определить, варьировалось ли количество бактерий в молоке от отгрузки до отгрузки. Односторонний анализ основывается на предположении, что измерения являются независимыми и что каждый из них имеет нормальное распределение с общим отклонением и средним значением, которое было постоянным в каждом столбце. Можно сделать вывод, что столбец означает не все одинаковые. Следующий пример повторяет этот анализ с помощью непараметрической процедуры.

Тест Крускаля-Уоллиса является непараметрической версией однофакторного дисперсионного анализа. Предположение, лежащее в основе этого теста, состоит в том, что измерения происходят из непрерывного распределения, но не обязательно нормального распределения. Тест основан на дисперсионном анализе с использованием рангов значений данных, а не самих значений данных. Выход включает таблицу, подобную таблице ANOVA, и прямоугольный график.

Этот тест можно запустить следующим образом:

load hogg

p = kruskalwallis(hogg)
p =
    0.0020

Низкое значение p означает, что результаты теста Крускаля-Уоллиса согласуются с однофакторным дисперсионным анализом результатами.

Тест Фридмана

Perform Two-Way ANOVA использует двухсторонний дисперсионный анализ, чтобы изучить эффект модели автомобиля и завода на пробег автомобиля. Пример проверяет, оказывает ли любой из этих факторов существенный эффект на пробег, и существует ли взаимодействие между этими факторами. Вывод примера заключается в отсутствии взаимодействия, но в том, что каждый отдельный фактор имеет значительный эффект. В следующем примере рассматривается, приводит ли непараметрический анализ к тому же выводу.

Тест Фридмана является непараметрическим тестом для данных, имеющих двухстороннее размещение (данные сгруппированы по двум категориальным факторам). В отличие от двухстороннего дисперсионного анализа, тест Фридмана не обрабатывает два фактора симметрично и он не проверяет на взаимодействие между ними. Вместо этого проверяется, отличаются ли столбцы после корректировки возможных различий строк. Тест основан на анализе отклонения с использованием рангов данных по категориям коэффициента строки. Выход включает таблицу, подобную таблице ANOVA.

Можно запустить тест Фридмана следующим образом.

load mileage
p = friedman(mileage,3)
p =
  7.4659e-004

Напомним, что классический дисперсионный анализ дал p значение для тестовых эффектов столбца, эффектов строк и эффектов взаимодействия. Это p значение предназначено для эффектов столбца. Используя либо это p значение, либо p значение из Дисперсионный Анализ (p < 0,0001), вы заключаете, что существуют значительные эффекты столбца.

В порядок тестирования на эффекты строк необходимо переставить данные для замены ролей строк в столбцах. Для матрицы данных x без репликаций можно просто перенести данные и тип

p = friedman(x')

С реплицированными данными это немного сложнее. Простой способ состоит в том, чтобы преобразовать матрицу в трехмерный массив с первой размерностью, представляющим повторения, сменой двух других размерностей и восстановлением двумерной формы.

x = reshape(mileage, [3 2 3]);
x = permute(x,[1 3 2]);
x = reshape(x,[9 2])
x =
   33.3000   32.6000
   33.4000   32.5000
   32.9000   33.0000
   34.5000   33.4000
   34.8000   33.7000
   33.8000   33.9000
   37.4000   36.6000
   36.8000   37.0000
   37.6000   36.7000

friedman(x,3)
ans =
    0.0082

Снова вывод аналогичен выводу классического дисперсионного анализа. И это p значение, и значение из Дисперсионный Анализ (p = 0,0039) приводят вас к выводу, что существуют значительные эффекты строки.

Вы не можете использовать тест Фридмана, чтобы проверить взаимодействие между факторами строки и столбца.

Для просмотра документации необходимо авторизоваться на сайте