非参数统计1讲解
非参数统计
例外
例外
有的统计问题，从不同的角度，可以理解为参数性的，也可以理解为非参数性的。例如线性回归（见回归分 析）问题，若关心的是估计回归系数，它只是有限个实参数，因而可以看成是参数性的。但是，如果对随机误差 的分布类型没有作任何假定，则从问题的总体分布这个角度看，也可以看成是非参数性的。
统计方法
统计方法
谢谢观看
重要的非参数统计方法秩方法是基于秩统计量（见统计量）的一类重要的非参数统计方法。设有样本 X1,X2，…，Xn，把它们由小到大排列，若Xi在这个次序中占第Ri个位置（最小的占第1个位置），则称Xi的秩为 Ri(i=1,2，…，n）。1945年F.威尔科克森提出的"两样本秩和检验"是一个有代表性的例子。设X1,X2，…，Xm 和Y1,Y2，…，Yn分别是从分布为 F(x）和 F(x-θ）的总体中抽出的样本，F连续但未知，θ也未知，检验假设 H：θ=0，备择假设为θ>0（见假设检验）。记Yi在混合样本（X1,X2，…，Xm，Y1，Y2，…，Yn）中的秩为Ri， 且为诸秩的和，当W >C时，否定假设H，这里C决定于检验的水平。这是一个性能良好的检验。秩方法的一个早期 结果是C.斯皮尔曼于1904年提出的秩相关系数。设（X1，Y1),(X2，Y2），…，（Xn,Yn）是从二维总体（X，Y） 中抽出的样本，Ri为Xi在（X1,X2，…，Xn）中的秩，Qi为Yi在（Y1,Y2，…，Yn）中的秩，定义秩相关系数为 （Ri,Qi)(i=1,2，…n）的通常的相关系数（见相关分析）。它可以作为X、Y之间相关程度的度量，也可用于检 验关于X、Y独立性的假设。
次序统计量和U统计量在非参数统计中也有重要应用。前者可用于估计总体分布的分位数（见概率分布）、 检验两总体有相同的分布及构造连续总体分布的容忍限和容忍区间（见区间估计）等。后者主要用于构造总体分 布的数字特征的一致最小方差无偏估计（见点估计）及基于这种估计的假设检验。
非参数统计讲义通用课件
假设检验方法
总结词
假设检验方法用于检验一个关于总体 参数的假设是否成立。
详细描述
假设检验方法包括提出假设、构造检 验统计量、确定临界值和做出决策等 步骤。常见的假设检验方法有t检验、 卡方检验、F检验等，用于判断样本数 据是否支持假设。
关联性分析方法
总结词
关联性分析方法用于研究变量之间的相关性。
02
非参数统计方法
描述性统计方法
总结词
描述性统计方法用于收集、整理、描述数据，并从数据中提取有意义的信息。
详细描述
描述性统计方法包括数据的收集、整理、描述和可视化，例如均值、中位数、 众数、标准差等统计量，以及直方图、箱线图等图形化表示。这些方法可以帮 助我们了解数据的分布、中心趋势和离散程度。
非数统计与机器学习算法的结 合将有助于解决复杂的数据分析 问题。
02
与大数据技术的融 合
非参数统计将借助大数据技术处 理海量数据，挖掘数据背后的规 律和模式。
03
与社会科学研究的 互动
非参数统计方法将为社会科学研 究提供更有效的研究工具和方法 。
决策树分析方法
总结词
决策树分析方法是一种基于树形结构的非参 数统计学习方法。
详细描述
决策树分析方法通过递归地将数据集划分为 更小的子集，构建出一棵决策树。决策树的 每个节点表示一个特征属性上的判断条件， 每个分支代表一个可能的属性值，每个叶子 节点表示一个分类结果。决策树分析可以帮 助我们进行分类、预测和特征选择等任务。
非参数统计的发展趋势
多元化发展
非参数统计将不断拓展其应用领域，从传统的医学、生物 、经济领域向金融、环境、社会学等领域延伸。
01
算法优化
随着计算能力的提升，非参数统计的算 法将进一步优化，提高计算效率和准确 性。
非参数统计方法的介绍
非参数统计方法的介绍统计学是一门研究数据收集、分析和解释的学科，为了更好地理解和解释数据，统计学家们发展了各种各样的统计方法。
其中一类重要的方法就是非参数统计方法。
与参数统计方法相对，非参数统计方法不依赖于对总体分布的假设，更加灵活和广泛适用于各种情况。
一、非参数统计方法的概述非参数统计方法是基于数据的排序和秩次的分析方法，不需要对总体参数进行假设。
它的主要特点是：不依赖于总体的分布形式，适用于任意类型的数据；不需要对总体参数进行估计，不需要检验参数值；能够处理非连续型变量和偏态数据。
二、秩次统计法秩次统计法是非参数统计方法中的一种重要方法，主要用于比较两组数据的差异或相关性检验。
这种方法将原始数据转化成秩次或秩次差来进行统计分析，具有较好的稳健性和非正态分布数据的适应性。
三、Wilcoxon秩和检验Wilcoxon秩和检验是秩次统计法的一种常见应用，常用于比较两个相关样本或配对样本的差异。
它主要通过将配对观测值的差异转化为秩次，来判断两个总体是否存在差异。
四、Mann-Whitney U检验Mann-Whitney U检验是另一种常见的秩次统计方法，主要用于比较两个独立样本的差异。
该方法不依赖于总体分布的假设，适用于非正态分布和偏态数据。
它通过比较两个样本的秩次和来判断两个总体是否存在差异。
五、Kruskal-Wallis检验Kruskal-Wallis检验是一种非参数多样本比较方法，适用于三个以上独立样本的差异性检验。
该方法通过将原始数据转化为秩次和来判断不同样本组之间是否存在显著差异。
六、Friedman检验Friedman检验是非参数的配对多样本差异比较方法，用于比较同一组样本在不同条件下的差异。
该方法是将样本各组的观测值转化为秩次，再计算秩次和进行统计推断。
七、Bootstrap法Bootstrap法是一种利用从原始数据中随机抽样的方差估计方法，适用于样本较小或者未知分布的情况。
它通过有放回的抽样来生成多个样本，从而对样本的分布进行估计，并得出对总体参数的估计值。
非参数统计讲义
非参数统计讲义(总14页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--第一章 绪 论本章主要内容： 1．非参数方法介绍2．预备知识第一节 非参数方法介绍一． 非参数方法的概念和实例复习参数方法定义：设总体X 的分布函数的形式是已知的，而未知的仅仅是分布函数具体的参数值，用样本对这些未知参数进行估计或进行某种形式的假设检验，这类推断方法称为参数方法。
先来看两个实例。
例 供应商供应的产品是否合格某工厂产品的零件由某个供应商供应。
合格零件标准长度为（±）cm 。
这也就是说合格零件长度的中心位置为，允许误差界为，即长度在－之间的零件是合格的。
为评估近年来供应的零件是否合格，随机抽查了n=100个零件，它们的长度数据X 见第一章附表。
解答：根据我们已学过的参数统计的方法，如何根据数据来判断这批零件合格否 用参数数据分析方法，在参数统计中，运用得最多的是正态分布，所以考虑假设供应商供应的零件长度X 服从正态分布，即X ～),(2σμN其中两个参数均未知，但可用样本均值估计μ，样本方差估计2σ。
由已知的数据计算可得：零件的平均长度，即样本均值为x =，样本标准差为s=。
则零件合格的可能性近似等于)/)4.8(()/)6.8(()6.84.8(σμσμ-Φ--Φ=≤≤X P)1047.0/)4958.84.8(()1047.0/)9458.86.8((-Φ--Φ≈%66≈这个说明：约有三分之一的零件不合格，该工厂需要换另一个供销商了。
但这个结论与实际数据符不符合呢这是我们要思考的问题。
我们可以对数据做一个描述性分析，先对这100个样本数据做一个频率分布。
观察到：在这100个零件中有91个零件的长度在～之间，所以零件合格的比例为91%，超过66％很多！统计分析的结论与数据不吻合的！这是什么原因呢我们可以作出数据的直方图来分析数据的分布情况。
由图知，该数据的总体不是近似服从正态分布的！所以我们对于数据的总体分布的假设错了！问题就出在假设总体是正态分布上！继续看直方图，能否很容易就观察出来它大概是什么分布呢答案是不易看出，所以试图先确定数据的分布函数，再利用参数的方法来分析是不太容易的。
非参数统计(non-parametricstatistics)又称任意分布检验(
例11.6（P195）。
（一）建立检验假设
H0：某中药治疗四种病型 的疗效总体分布相同 H1：四个总体的分布不同 或不全同
0.05
（二）计算统计量H值 （1）编秩：a、计算各等级的合计人数 b、确定秩次范围 c、计算平均秩次 （2）求各组秩和
R1 65(139.5) 18(304.0) 30(397.5) 13(504.5)
血浆总皮质醇含量有差别（不同或不全同）。
若还希望分析具体哪些组之间有差别，需进一步两两组 间比较。方法见《卫生统计学》第五版P196，《医学统计学》 第二版P183等。
当相同秩次较多（超过25%）时，需进行如下校正。
例11.4（P193），见表11－4。
（一）建立检验假设
H0：接种三种不同菌型伤 寒杆菌存活日数总体分 布相同 H1：三个总体的位置不同 或不全同
适用于完全随机设计分组的多个样本比较（即不满足参
数统计条件的），目的在于判断多个总体分布是否相同。
例11.3(P192)，见表11－3。
(一)建立检验假设
H
：血浆总皮质醇含量的
0
三个总体分布相同
H1：血浆总皮质醇含量的 三个总体分布不同或不 全同
0.05
（二）计算统计量H值
1、编秩
先将各组数据分别由小到大排列，统一编秩，不同组的
注意：等级资料对程度的比较不应选检验。
例11.5（P194）。
（一）建立检验假设
H
：吸烟工人和不吸烟工
0
人的HbCO％含量总体分布位置相
同
H1：吸烟工人的HbCO％含量高于不吸烟工人 的HbCO％含量
0.0（5 单侧）
（二）计算统计量u值
（1）编秩：a、计算各等级的合计人数
第1章-非参数统计概述
概率
指接受了一个本来是不真实
第二类错误 的原假设，又称为“采伪”
错误或“取伪”错误
记犯第二类错误的概率为 ，即
P 接 受 H 0 /H 0 为 不 真
1- β为该检验检验不真实零假设的 检验功效，又称检验效能（power of a test）/把握度：
其意义是：当两总体确有差别， 按规定的检验水准 a 能发现该差别的 能力（概率）。
H0：m ≥ 100
H1：m < 100
拒绝域和接受域（左侧检验）
拒绝域
接受域
假设的总体 抽样分布
概率
概率（ 1- ）
零假设和备择假设的选 择原则
通常把研究者要证明的假设作为备择假 设；
把现状（Status Quo）作为原假设； 把不能轻易否定的假设作为原假设；
零假设和备择假设： 把研究者要证明的假设作为备择假设
)
36
m m 6 6 P ( 6 . 8 6 X 2 6 . 1 9 8 6 )6
若 m = 69,n = 36, czz0.0251.96 2
X 68
3 .6 8
1 .96
取伪的概率较大.
现增大样本容量,取 n = 64, m = 66, 则
m69P(6.172X6.88m86)9
某种汽车原来平均每加仑汽油可以行驶24英里。 研究小组提出了一种新工艺来提高每加仑汽油 的行驶里程。为了检验新的工艺是否有效需要 生产了一些产品进行测试。该测试中的零假设 和备择假设该如何选取？
要证明的结论是m>24，因此零假设和备择假设 的选择为： m24 m>24
思考题
哲学上，可以说“接受”和“拒绝”两个概 念对称的，那么，在统计实践中，零假设和备择 假设对称吗？
非参数统计讲义通用课件
通过实际案例展示如何使用Python进行非 参数统计，包括分布拟合、假设检验和模 型选择等步骤。
SPSS实现
SPSS简介
SPSS（Statistical Package for the Social Sciences） 是一款流行的社会科学统计 软件。
操作界面
SPSS的非参数统计功能通常 在“分析”菜单下的“非参 数检验”选项中，用户可以 通过直观的界面进行操作。
聚类分析方法在数据挖掘、 市场细分等领域有广泛应用， 可以帮助我们发现数据的内 在结构和模式。
异常值检测方法
• 异常值检测方法用于识别和剔除数据中的异常值，提高数据分析的准确性和可靠性。
• 常见的异常值检测方法包括基于统计的方法、基于距离的方法、基于密度的方等。 • 基于统计的方法利用统计学原理，如z分数、IQR等，判断数据是否为异常值；基于距离的方法通过计算对象与其它对象的距离来判断是否为异常值；基于密度的方法则根据对象周围的密度变化来判断是否
解释性较差
相对于参数统计，非参数统计结果通 常较为抽象，难以直接解释其具体含 义。
假设检验能力较弱
非参数统计在假设检验方面的能力相 对较弱，对于确定性的结论和预测不 如参数统计准确。
如何克服非参数统计的局限性
01
02
03
04
利用高效计算方法
采用并行计算、分布式计算等 高效计算方法，提高非参数统
计的计算效率和准确性。
描述性统计方法在数据分析中起到基 础作用，为后续的统计推断提供数据 基础和初步分析结果。
假设检验方法
假设检验方法是一种统计推断 方法，通过提出假设并对其进
行检验，判断假设是否成立。
假设检验方法包括参数检验和 非参数检验，其中非参数检验 不依赖于总体分布的具体形式，
非参数统计概述课件
对于小样本数据，非参数统计 方法可能无法提供稳定和可靠
的结果。
04
非参数统计与其他统计方 法的比较
与参数统计的比较
非参数统计
不依赖于特定的概率分布模型，灵活 性更强，能适应多种数据类型和分布 。
参数统计
基于特定的概率分布模型，需要对模 型假设进行验证，适用范围相对有限 。
与贝叶斯统计的比较
02
大数据为非参数统计提供了丰富 的数据资源和计算能力，有助于 发现更多隐藏在数据中的信息和 规律，推动非参数统计的发展。
非参数统计与其他学科的交叉研究
非参数统计与计算机科学、数学、物 理学、生物学等学科的交叉研究有助 于拓展非参数统计的应用领域和理论 框架。
不同学科的交叉融合可以促进非参数 统计的创新和发展，推动其在各个领 域的实际应用。
在秩次相关性检验中，变量值被转换为秩次，然后使用秩 次计算相关系数（如Spearman或Kendall秩次相关系数 ）。这种方法适用于非正态分布的数据，且不受数据异常 值的影响。
分布拟合检验
分布拟合检验是一种非参数统计方法，用于检验数据是否符合特定的概率分布。
分布拟合检验通过比较数据的实际分布与理论分布的统计量（如Kolmogorov-Smirnov、 Anderson-Darling等），来评估数据是否符合特定的概率分布。这种方法在统计学中广泛应用于模 型的假设检验和数据的探索分析。
特点
灵活性、稳健性、无分布假设、 适用于多样本数据等。
与参数统计的区别
01
02而参数统计 则依赖于特定的分布假设 。
方法
非参数统计通常采用中位 数、四分位数等统计量， 而参数统计则采用平均数 、方差等统计量。
应用范围
常用非参数统计方法课件
案例二：秩和检验在医学研究中的应用
总结词
秩和检验用于医学研究中，可以比较不同组 别间的数据，判断是否存在显著差异。
详细描述
秩和检验是一种非参数统计方法，适用于等 级数据和连续数据混合的情况。在医学研究 中，经常需要比较不同组别间的数据，例如 比较不同药物治疗效果、不同手术方法的效 果等。秩和检验可以综合考虑数据的分布特 征和数量差异，给出更为准确的结论，判断 不同组别间是否存在显著差异。
多个独立样本比较
非参数统计方法可以用于比较多个独 立样本的分布是否存在显著差异，例 如Kruskal-Wallis H 检验。
配对样本比较
配对样本比较
非参数统计方法可以用于比较配对样 本的分布是否相同，例如Wilcoxon signed-rank 检验。
相关样本比较
非参数统计方法可以用于比较相关样 本的分布是否存在相关性，例如 Spearman秩相关系数。
采取相应措施进行调整和改进。
案例五：符号检验在金融数据分析中的应用
总结词
符号检验用于金融数据分析中，可以比较不同时间段 内的数据变化趋势，判断市场走势。
详细描述
符号检验是一种非参数统计方法，适用于分析连续数 据的变化趋势。在金融数据分析中，符号检验常用于 比较不同时间段内的股票价格、交易量等数据的变化 趋势。通过计算数据的符号变化次数和期望值，利用 符号检验进行统计分析，可以判断市场走势是否发生 显著变化，为投资者提供决策依据。
03统计
非参数统计方法可以用于描述数 据的分布、集中趋势和离散程度 ，例如中位数、四分位数、众数 等。
数据可视化
非参数统计方法可以与数据可视 化技术结合，例如直方图、箱线 图等，帮助我们直观地了解数据 分布和异常值。
非参数统计法PPT课件
36.2
-12.8 -8
9
44.1
45.2
-1.1
-2
10
399.8 404.1 -4.3
-4
11
25.9
39.3
-13.4 -9.5
12
535.6 544.8 -9.2
-5
T- =5.8 T+-=8
•为什么要用 非参数检验？
SPSS
6
S tati sti c s
d
N
Valid
Missing
Sk ewness
参数统计——检验效率较高，但使用条件较严格. 非参数统计——由于对资料无特殊要求，因此适用
范围广，资料收集和分析比较简便。但统计效率 较低（β较大）。 选择： 首先考虑参数检验，当条件不符，才选择非参数 统计方法。
.
3
(四) 非参数统计适用情况
（1）偏态分布资料； （2）总体分布不明资料； （3）数据一端或两端有未确定值； （4）等级资料； （5）方差不齐资料。
.
8
结果判断：
（1）查表法：当n＜25时，查T界值表（符号秩和检验 用），得：
T0.05,11= 10～56，（ T0.01, 11 = 5～61） 若T+或T-：落在范围内，则P>0.05;
落在范围外, 则P<0.05；
等于界值, 则P=0.05。
.
9
（2）正态近似法： 若 n>25时, 可近似认为T分布逼近正态分布。
温州医学院环境与公共卫生学院温州医学院环境与公共卫生学院一非参数统计一非参数统计不依赖于总体分布形式不须考虑被研究对象为何不依赖于总体分布形式不须考虑被研究对象为何种分布及分布是否已知不是参数间的比较而是种分布及分布是否已知不是参数间的比较而是用于分布之间的比较
非参数统计方法介绍
非参数统计方法介绍非参数统计方法是一种在统计学中常用的方法，它不依赖于总体分布的具体形式，而是根据样本数据的秩次或距离来进行推断。
相比于参数统计方法，非参数统计方法更加灵活，适用范围更广，能够处理更为复杂的数据情况。
本文将介绍非参数统计方法的基本概念、常用的方法以及应用场景。
一、基本概念非参数统计方法是指在统计推断中，不对总体分布做出任何假设的一类方法。
它不依赖于总体的具体分布形式，而是根据样本数据的排序或距离来进行推断。
非参数统计方法的主要特点包括：1. 不依赖总体分布：不对总体的分布形式做出任何假设，更加灵活。
2. 适用范围广：适用于各种类型的数据，包括连续型数据、离散型数据以及顺序型数据。
3. 鲁棒性强：对异常值不敏感，能够更好地处理数据中的噪声和异常情况。
4. 数据要求低：不需要对数据做出太多的假设，适用于小样本和非正态分布的情况。
二、常用的非参数统计方法1. 秩和检验（Mann-Whitney U检验）：用于比较两组独立样本的中位数是否存在显著差异。
2. 秩和相关检验（Spearman相关分析）：用于衡量两个变量之间的相关性，不要求数据呈线性关系。
3. Kruskal-Wallis检验：用于比较多组独立样本的中位数是否存在显著差异。
4. Wilcoxon符号秩检验：用于比较一组配对样本的中位数是否存在显著差异。
5. Friedman检验：用于比较多组配对样本的中位数是否存在显著差异。
三、应用场景非参数统计方法在各个领域都有着广泛的应用，特别适用于以下情况：1. 数据不满足正态分布假设：当数据的分布不符合正态分布假设时，可以使用非参数统计方法进行推断。
2. 样本量较小：在样本量较小的情况下，参数统计方法可能不够稳健，非参数统计方法则更适用。
3. 数据存在异常值：非参数统计方法对异常值不敏感，能够更好地处理数据中的异常情况。
4. 数据类型多样：非参数统计方法适用于各种类型的数据，包括连续型数据、离散型数据以及顺序型数据。
统计学中的非参数统计
统计学中的非参数统计统计学是一门研究数据收集、分析和解释的学科，旨在分析和理解现实世界中的各种现象和关系。
统计学可以分为参数统计和非参数统计两大类。
本文将重点介绍非参数统计。
一、非参数统计概述非参数统计是一种不依赖于总体分布的统计方法，也称为分布自由统计。
所谓分布自由，就是在假设条件不明确的情况下，仍能对总体特征进行推断。
与之相对的是参数统计，参数统计需要对总体分布的形状、参数进行明确的假设。
非参数统计的优点在于对总体假设不敏感，能够应对较为复杂的数据，不受分布形状的限制。
它的缺点在于效率较低，需要更多的样本才能达到相同的置信水平。
二、“秩次”在非参数统计中的应用在非参数统计中，秩次（rank）是一个重要的概念，它将原始数据转换为相对顺序。
使用秩次可以在不知道总体分布情况下进行有关统计推断。
1. Wilcoxon秩和检验Wilcoxon秩和检验是一种常见的非参数检验方法，用于比较两样本之间的差异。
它将样本数据转化为秩次，并比较两组秩和的大小来进行统计推断。
Wilcoxon秩和检验被广泛应用于医学、社会科学等领域的研究中。
2. Mann-Whitney U检验Mann-Whitney U检验也是一种用于比较两组样本差异的非参数方法。
它将样本数据转换为秩次，并通过比较秩和的大小来进行统计推断。
该方法适用于两组样本独立的情况，常用于实验研究和社会科学领域。
三、非参数统计中的假设检验假设检验是统计学中常用的方法，用于判断观察到的样本结果是否与假设相符。
在非参数统计中，假设检验同样发挥着重要的作用。
1. 单样本中位数检验单样本中位数检验是一种常见的非参数假设检验方法，用于检验总体中位数是否等于某个特定值。
它通过比较样本中位数的位置来进行推断。
当原始数据不满足正态分布假设，或者数据有明显偏离时，单样本中位数检验是一种可靠的统计方法。
2. Kruskal-Wallis检验Kruskal-Wallis检验是一种非参数假设检验方法，用于比较三个以上独立样本之间的差异。
统计学中的非参数统计方法
统计学中的非参数统计方法统计学是一门研究收集、整理、分析和解释数据的科学，旨在通过数理方法得出数据背后的规律和结论。
在统计学中，有两种基本的统计方法，即参数统计方法和非参数统计方法。
本文将重点介绍统计学中的非参数统计方法。
一、非参数统计方法的定义非参数统计方法是一种不依赖于数据分布假设的统计方法。
与参数统计方法相比，非参数方法可以更灵活地利用数据自身信息进行分析和推断，因此在某些情况下更为适用。
二、非参数统计方法的应用领域非参数统计方法广泛应用于各个领域，以下是其中几个典型的应用领域。
1. 生态学研究生态学研究中经常需要分析物种多样性、群落结构等生态指标。
由于生态数据常常呈现非正态分布或具有明显的异常值，非参数统计方法在生态学领域中得到广泛应用。
例如，Wilcoxon秩和检验可用于比较两组样本的物种丰富度，Kruskal-Wallis检验可用于比较多个组别间的物种多样性。
2. 医学研究在医学研究中，研究对象往往是人群的特征和健康状况。
由于人群的分布和变异性通常较为复杂，非参数统计方法在医学研究中得到广泛应用。
例如，Mann-Whitney U检验可用于比较两组样本的医学指标，McNemar检验可用于比较两次测量结果的差异。
3. 社会科学调查社会科学调查常常需要对受访者进行评估和比较，例如问卷调查、民意测验等。
非参数统计方法可用于处理涉及受访者个体差异较大或数据不满足正态分布的情况。
例如，符号检验可用于检验受访者对某一观点的偏好，Friedman秩和检验可用于比较多个相关样本的评分。
4. 质量控制与工程管理在质量控制和工程管理中，通常需要对生产过程或产品进行统计分析和评估，以判断其是否符合标准。
非参数统计方法可用于处理样本容量小，数据分布未知或不满足正态分布的问题。
例如，符号检验可用于判断两个工艺是否存在差异，Wilcoxon符号秩和检验可用于比较两个工艺的中位数。
三、非参数统计方法的优势相对于参数统计方法，非参数统计方法具有以下几个优势：1. 数据分布假设不敏感：非参数方法不依赖于数据分布假设，因此对于数据分布未知或不满足正态分布的情况下依然有效。
非参数统计讲义
秩 9.5 14.0 12.0 21.0 7.5 9.5 2.0 17.5 7.5 14.0 17.5 24.0
Histogram
For GROUP= Group2
6
5
4
3
2
Frequency
1 0 0.0 5.0 10.0 15.0 20.0 25.0
Std. Dev = 9.17 Mean = 14.8 N = 15.00
定义（连续分布） 定义（连续分布）
假定X ~ f ( x), 令0 < p < 1, 满足等式F ( x)=p( X < m p ) = p 的唯一根m p 称为F ( x)的分位数。
二、秩统计量 1、秩统计量 设X1，X2，X3，…，Xn 来自总体的样本，记Ri为样本 点Xi 的秩，即样本中小于或等于Xi 的样本点的个数， n 即
44 33 22 8 47 31 40 30 33 35 18 21 35 28 22
26.0 19.5 5.5 1.0 27.0 16.0 25.0 14.0 19.5 22.5 3.0 4.0 22.5 11.0 5.5
Histogram
For GROUP= Group1
6
RANK of SCORE
注意：非参数统计的名字中的“ 注意：非参数统计的名字中的“非参数 (nonparametric)” (nonparametric) 意味着其方法不涉及描述总 体分布的有关参数；它被称为和分布无关 体分布的有关参数；它被称为和分布无关 (distribution—free) free)， (distribution free)，是因为其推断方法和 总体分布无关；不应理解为与所有分布( 总体分布无关；不应理解为与所有分布(例如有 关秩的分布)无关． 关秩的分布)无关． 什么是非参数统计? 什么是非参数统计? 不假定总体分布的具体形式， 不假定总体分布的具体形式，从数据本身获得 所需要的信息， 所需要的信息，通过推断方法得到相关结论的 一种分析方法。 一种分析方法。
09研第十二十五章非参数统计演示文稿1课件
E ) 2（。4（）见续求表m15i－.13E 值p 2, 1(m4）i－ E ) 2 和 Σ (m i－
本例，M = Σ (m i－ E ) 2 = 170 (5 ) 查附录 C 附表 12 判断结果。
本例，当 b = 6，k = 4 时，M＞M 0.05( = 76 ) p＜ 0.05 , 故可认为不同时间羊水中前列腺素的含 量不同。
2. F 检验
本法检验的优点是 , 不仅能用于 k 值或 b 值超 过附表12的情况，而且其计算过程的结果可供两两 比较之用。
检验步骤：
（1）同前计算 m i
（2）按下式计算表中所有等级 R ij 的平方和 A 和 B及 F。
检验步骤：
（1）将 6 个区组的 4 个时间前列腺素的含量各
自按从小到大的顺序排成等级（编秩 数据以平均等级排列。 （见表15.13
Rpij）21。3）相同
（2）分别计算4个时间上的等级之和 m i。 （3）按下式计算平均等级 E。
E = 1 / 2 [ b（ k + 1）]
本例，E = 0.5× 6 ( 4 + 1) = 15
2、若不知道样本来自的总体类型或已知的 总体不符合估计或检验的条件，此时可用非参数 统计方法 。
非参数统计方法是一种与总体分布状态无关 的统计检验方法，它比较的不是参数，而是比较 分布的位置，故有与“参数无关” ( parameter – free )、或者“与分布无关”（distribution – free） 方法之称。在这种方法中，资料的数据常常被用 “符号”（sign）或“等级”（rank）来代替或 转换进行分析。
【例 15.2 】 表15.6 ( p 206 )
检验步骤如下:
H0 : 各组分布相同。 H1 : 各组分布至少两组不同。α＝ 0.05 （1） 将个组数据混合后由小到大排列统一编 秩次(等级) ,若有相同数据则取平均秩次（等级）。
非参数统计方法介绍
非参数统计方法介绍非参数统计方法是一种不依赖于总体分布形态的统计方法，它不对总体分布做出任何假设，而是直接利用样本数据进行统计推断。
非参数统计方法的优势在于适用范围广，可以处理各种类型的数据，不受总体分布形态的限制。
本文将介绍非参数统计方法的基本原理和常用的方法。
一、非参数统计方法的基本原理非参数统计方法是一种基于样本数据的统计推断方法，它不对总体分布形态做出任何假设，而是直接利用样本数据进行统计推断。
非参数统计方法的基本原理可以概括为以下几点：1. 无需对总体分布形态做出假设：非参数统计方法不对总体分布形态做出任何假设，可以处理各种类型的数据，包括连续型数据、离散型数据和顺序型数据等。
2. 依赖于样本数据：非参数统计方法主要依赖于样本数据进行统计推断，通过对样本数据的分析和比较，得出总体的统计特征。
3. 适用范围广：非参数统计方法适用范围广，不受总体分布形态的限制。
无论总体分布是正态分布、均匀分布还是其他分布形态，非参数统计方法都可以进行有效的统计推断。
二、常用的非参数统计方法非参数统计方法有很多种，常用的非参数统计方法包括：1. 秩和检验：秩和检验是一种用于比较两个独立样本的非参数统计方法。
它将两个样本的观测值按照大小排序，然后计算两个样本的秩和，通过比较秩和的大小来判断两个样本是否来自同一总体。
2. 秩和检验的扩展：秩和检验的扩展包括Wilcoxon秩和检验、Mann-Whitney U检验等。
这些方法在秩和检验的基础上进行了改进和扩展，适用于更复杂的统计问题。
3. 秩相关分析：秩相关分析是一种用于研究两个变量之间关系的非参数统计方法。
它将两个变量的观测值按照大小排序，然后计算秩次差，通过比较秩次差的大小来判断两个变量之间的相关性。
4. Kruskal-Wallis检验：Kruskal-Wallis检验是一种用于比较多个独立样本的非参数统计方法。
它将多个样本的观测值按照大小排序，然后计算秩和，通过比较秩和的大小来判断多个样本是否来自同一总体。
非参数统计1
或近似概率
P值
零假设下，P(T>t)的值称为p值。
若p值很小，说明观测值的实现在零假设下为小概率 事件，故拒绝零假设。犯第一类错误的概率为p。
比如： （1）研究保险公司的索赔请求数时，可能假定索赔请求
数来自泊松分布P(a);
（2）研究化肥对农作物产量的影响效果时，平均意义 之下，每测量单元（可能是）产量服从正态分布
N(a,b).
一个典型的参数检验过程
1. 总体参数
Example: Population Mean
2. 假定数据的形态为
Whole Numbers or Fractions
Pitman于1948年回答了非参数统计方法相对于 参数方法来说的相对效率方面的问题；
非参数统计的历史（续）
60年代中后期，Cox和Ferguson最早将非参数方法 应用于生存分析。
70年代到80年代，非参数统计借助计算机技术和 大量计算获得更稳健的估计和预测，以P.J.Huber 以及 F.Hampel为代表的统计学家从计算技术的实 现角度，为衡量估计量的稳定性提出了新准则。
这里，j为求均值前删掉的最小或最大观测值的数目。
顺序统计量的分布：
设总体的分布函数F(x),则第r个顺序统计量的分布 函数为：
Fr (x)
P(X (r)
x)
P(至少
r个X
小于或等于
i
x)
n
P( X1, X 2 ,L , X n中恰好有j个小于x)
jr
n
C
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5.必要的基础知识
（1）假设检验
（2）顺序统计量
（3）秩检验统计量
（4）U统计量
（5）数据处理
(1) 假设检验回顾
问题： ( a ) 新引进的生产过程是否优于旧过程？ （b）几种不同的肥料哪一种更有效？ （c）大学生的就业率与城市失业率之间是否存 在关系？
内容
（a）假设的真正涵义和作用 （b）如何选择零假设和备择假设 （c）检验的p-值和显著性水平的作用 （d）两类错误 （e）置信区间和假设检验之间的关系
单边检验和双边检验的p值??
顺序统计量
顺序统计量：
基于顺序统计量的统计量：
顺序统计量的分布：
设总体的分布函数F(x),则第r个顺序统计量的分布函数为：
Fr ( x) P( X (r ) x) P(至少r个X i小于或等于 x)
P( X1 , X 2 , , X n中恰好有j个小于x)
非参数统计
浙江工商大学统计学院
傅可昂
目录
第一章 引言 第二章 单样本检验 第三章 两样本位置和尺度检验 第四章 多样本检验 第五章 尺度检验 第六章 相关和回归 第七章 分布检验和拟合优度检验 第八章 列联表 第九章 非参数密度估计和非参数回归
第一章 引 言
主要内容
j r
n i i Cn F ( x)1 F ( x) i r
F ( x)
n
n i
n! (r 1)!(n r )!
r 1 nr t ( 1 t ) dt 0
秩检验统计量
无结点秩的定义
例题：某学院本科三年级有9个专业组成，统计每个专业学 生每月消费数据如下，求消费数据的秩和顺序统计量的现值： 300 230 208 580 690 200 263 215 520
3. 参数统计与非参数统计比较
非参数检验的优点
对总体假定较少，有广泛的适用 性，结果稳定性较好。
– 1. 假定较少 – 2. 不需要对总体参数的假定来自– 3. 与参数结果接近
针对几乎所有类型的数据形态。 容易计算
– 在计算机盛行之前就已经发展起来。
非参数检验的弱点
1. 可能会浪费一些信息
核的概念
例：总体期望有无偏估计X1，总体期望是可估的， X1是总 体期望的核。
对称核和U统计量的概念
U统计量的特征计算
数据处理
SPSS SAS R S-Plus… 直方图 盒形图 茎叶图 Q-Q图
数据处理
数据处理
1. 统计的实践 2. 非参数统计方法简介 3. 参数统计过程与非参数统计的比较 4. 非参数统计的历史 5. 必要的准备知识
1. 统计的实践
我们周围的世界
符号和数据就是整个世界。 数据繁衍，信息匮乏：观察数据激增，设计数据 细分。 数据的复杂性和不确定性的特点更为突出。 数据分析方法和手段不足。
统计的方法论
就方法论而言，统计分析主要解决两方面的 问题：
– 寻找数据内部差异中共同的特征。 – 寻找数据之间本质的差异。
统计分析的目标是从数据中发现比数据本身 更为有用的知识
2. 非参数统计方法简介
参数方法
定义：样本被视为从分布族的某个参数族抽取出来的 总体的代表，而未知的仅仅是总体分布具体的参数值， 推断问题就转化为对分布族的若干个未知参数的估计 问题，用样本对这些参数做出估计或者进行某种形式 的假设检验，这类推断方法称为参数方法。 比如： （1）研究保险公司的索赔请求数时，可能假定索赔请求 数来自泊松分布P(a);
（2）研究化肥对农作物产量的影响效果时，平均意义 之下，每测量单元（可能是）产量服从正态分布 N(a,b).
一个典型的参数检验过程
1. 总体参数
Example: Population Mean
2. 假定数据的形态为
Whole Numbers or Fractions
Example: Height in Inches (72, 60.5, 54.7)
2.有结数据的秩
设样本 取自总体X的简单随机抽样， 将数据排序后,相同的数据点组成一个“结”， 称重复数据的个数为结长。 例1：3.8 3.2 1.2 1.2 解：结长为3。 3.4 3.2 3.2
线性秩统计量
线性符号秩统计量：
线性秩统计量：
正态记分线性秩统计量：
U统计量
2独立样本
2 配对样本 /单一样本 >2独立样本 两因素 相关性检验 分布的检验
独立样本t检验
成对样本 t-检验 单一因素ANOVA 双因素ANOVA Pearson相关性检验
4. 非参数统计的历史
非参数统计的历史
非参数统计的形成主要归功于20世纪40年代～ 50年代化学家F.Wilcoxon等人的工作。 Wilcoxon于1945年提出两样本秩和检验，1947 年Mann和Whitney二人将结果推广到两组样 本量不等的一般情况；
特别当数据可以使用参数模型的时候。 Example: Converting Data From Ratio to Ordinal Scale
2. 大样本手算相当麻烦
3. 一些表不易得到
非参数统计的主要内容
内容 非参数检验 中位数检验 秩和检验 符号检验 Wilcoxon 检验 Kruskal-Wallis 检验 Friedman检验 Spearman秩相关 Kolmogorov-Smirnov 相应的参数检验
Pitman于1948年回答了非参数统计方法相对于 参数方法来说的相对效率方面的问题；
非参数统计的历史（续）
60年代中后期，Cox和Ferguson最早将非参数方法应 用于生存分析。 70年代到80年代，非参数统计借助计算机技术和大量 计算获得更稳健的估计和预测，以P.J.Huber以及 F.Hampel为代表的统计学家从计算技术的实现角度， 为衡量估计量的稳定性提出了新准则。 90年代有关非参数统计的研究和应用主要集中在非参 数回归和非参数密度估计领域，其中较有代表性的人 物是Silverman和J. Fan。
3. 有很强的假定
Example: 正态分布
4. 例子: Z Test, t Test, 2 Test
一个例子：
对两组学生进行语法测试，如何比较两 组学生的成绩是否存在差异？
非参数检验过程
1.不涉及总体的分布
– Example: Probability Distributions, Independence
2. 数据的形态各异
– 定量数据
– 定序数据
– Example: Good-Better-Best
– 名义数据
– Example: Male-Female
非参数方法
在不知总体分布的情况下如何利用数据所包 含的信息呢?一组数据的最基本的信息就是次 序．如果可以把数据点按大小次序排队，每 一个具体数目都有它的在整个数据中(从最小 的数起)的位置或次序，称为该数据的秩 (rank)． 非参数统计的名字中的“非参数 (nonparametric)”意味着其方法不涉及描述总 体分布的有关参数；它被称为和分布无关 (distribution—free)，是因为其推断方法和总 体分布无关；不应理解为与所有分布(例如有 关秩的分布)无关．