喜靚檢驗方法中哪些是參數檢驗

⑴ 常用的參數檢驗和非參數檢驗方法

1.正態總體均值的假設檢驗（t檢驗）

檢驗1組數據樣本的均值是否等於，大於或小於某個值，或者檢驗兩組數據樣本的均值的大小情況。其中的統計量Z一般服從t分布。

2.正態總體方差的假設檢驗

檢驗1組數據樣本的方差是否等於，大於或小於某個值，或者檢驗兩組數據樣本的方差的大小情況。其中單樣本檢驗的統計量X2一般服從卡方分布。雙樣本檢測的統計量F一般服從F分布。

3.二項分布總體的假設檢驗（非正態總體的假設檢驗）

非正態總體的假設檢驗有很多，二項分布總體的假設檢驗相對較為常用。常用於隨機抽樣實驗的成功概率的檢驗。

1.Neyman-Pearson χ2 擬合優度檢驗

檢驗樣本數據是否符合某種分布，Neyman-Pearson擬合優度檢驗是非常重要的非參數檢驗方法，既可以用於檢驗數據的分布特性，又可以檢驗不同組數據之間的分布關系（是否是同一分布）。

2.Kolmogorov-Smirnov檢驗

也是一個相當重要的檢驗方法，和Pearson方法一樣屬於擬合優度檢驗方法。但是Kolmogorov-Smirnov方法無需對要檢驗的數據分組，且使用經驗累積分布函數（ECDF）來定義統計量，可以用於任何分布的檢驗。但Kolmogorov-Smirnov只適用於一元分布的情況。因此適用面與Pearson方法相比稍小。

3.獨立性檢驗

很重要的檢驗方法，具體有Pearson卡方檢驗，Fisher精確獨立性檢驗。這些檢驗方法通常用於檢驗數據的分布和假設影響因素的關系。

4.符號檢驗和秩和檢驗

檢驗樣本與總體的情況，或樣本總體間的差異。

⑵ 總結！14個常用的統計假設檢驗的方法

本文分享利用SPSSAU進行14個常用的統計假設檢驗的方法，分為以下五個部分：

一、正態性檢驗

正態性特質是很多分析方法的基礎前提，如果不滿足正態性特質，則應該選擇其它的分析方法，因此在做某些分析時，需要先進行正態性檢驗。如果樣本量大於50，則應該使用Kolmogorov-Smirnov檢驗結果，反之則使用Shapro-Wilk檢驗的結果。

常見的分析方法正態性特質要求歸納如下表（包括分析方法，以及需要滿足正態性的分析項，如果不滿足時應該使用的分析方法）。

如果p 值大於0.05，則說明具有正態性特質，反之則說明數據沒有正態性特質。

如果是問卷研究，數據很難滿足正態性特質，而實際研究中卻也很少使用不滿足正態性分析時的分析方法。

SPSSAU認為有以下三點原因：

① 參數檢驗的檢驗效能高於非參數檢驗，比如方差分析為參數檢驗，所以很多時候即使數據不滿足正態性要求也使用方差分析

② 如果使用非參數檢驗，呈現出差異性，則需要對比具體對比差異性（但是非參數檢驗的差異性不能直接用平均值描述，這與實際分析需求相悖，因此有時即使數據不正態，也不使用非參數檢驗，或者Spearman相關系數等）

③ 理想狀態下數據會呈現出正態性特質，但這僅會出現在理想狀態，現實中的數據很難出現正態性特質（尤其是比如問卷數據）【可直接使用「直方圖」直觀展示數據正態性情況】。

二、方差齊檢驗

如果要進行方差分析，需要滿足方差齊性的前提條件，需要進行方差齊檢驗，其用於分析不同定類數據組別對定量數據時的波動情況是否一致。例如研究人員想知道三組學生的智商 波動情況是否一致（通常情況希望波動一致，即方差齊）。

判斷p 值是否呈現出顯著性(p <0.05),如果呈現出顯著性,則說明不同組別數據波動不一致，即說明方差不齊；反之p 值沒有呈現出顯著性（p >0.05）則說明方差齊。

提示： 方差不齊時可使用『非參數檢驗』，或者還可使用welch 方差，或者Brown-Forsythe方差。

三、相關性檢驗

（1）相關分析

相關分析是一種簡單易行的測量定量數據之間的關系情況的分析方法。可以分析包括變數間的關系情況以及關系強弱程度等。相關系數常見有三類，分別是：

1.Pearson相關系數

2.Spearman等級相關系數

3.Kendall相關系數

三種相關系數最常使用的是Pearson相關系數；當數據不滿足正態性時，則使用Spearman相關系數，Kendall相關系數用於判斷數據一致性，比如裁判打分。下圖是詳細使用場景：

如果呈現出顯著性（結果右上角有*號，此時說明有關系；反之則沒有關系）。

有了關系之後，關系的緊密程度直接看相關系數大小即可。（一般0.7以上說明關系非常緊密；0.4~0.7之間說明關系緊密；0.2~0.4說明關系一般。）

如果說相關系數值小於0.2，但是依然呈現出顯著性（右上角有*號，1個*號叫0.05水平顯著，2個*號叫0.01水平顯著；顯著是指相關系數的出現具有統計學意義普遍存在的，而不是偶然出現），說明關系較弱，但依然是有相關關系。

（2）卡方檢驗

卡方檢驗主要用於研究定類與定類數據之間的差異關系。卡方檢驗要求X、Y項均為定類數據，即數字大小代表分類。並且卡方檢驗需要使用卡方值和對應p 值去判斷X與Y之間是否有差異。通常情況下，共有三種卡方值，分別是Pearson卡方，yates校正卡方，Fisher卡方；優先使用Pearson卡方，其次為yates校正卡方，最後為Fisher卡方。

具體應該使用Pearson卡方，yates校正卡方，也或者Fisher卡方；需要結合X和Y的類別個數，校本量，以及期望頻數格子分布情況等，選擇最終應該使用的卡方值。SPSSAU已經智能化處理這一選擇過程。

第一：分析X分別與Y之間是否呈現出顯著性(p值小於0.05或0.01)；

第二：如果呈現出顯著性；具體對比選擇百分比(括弧內值)，描述具體差異所在；

第三：對分析進行總結。

卡方檢驗，SPSSAU提供兩個按鈕，二者的區別是，後者輸出更多的統計量過程值以及深入指標表格，滿足需要更多分析指標的研究人員，如下各圖。

進行卡方檢驗，上傳數據時需要特別注意數據格式，有兩種格式：常規格式和加權格式。

①  常規格式數據 ，如下圖。則通用方法中的【交叉（卡方）】和實驗/醫學研究中的【卡方檢驗】都可以使用。

②  加權數據： 但在某些情況下，我們得到的不是原始數據，而是經過整理的匯總統計數據。比如下面這樣格式的數據：

類似這樣的格式，不能直接使用的，需要整理成加權數據格式，只能使用實驗/醫學研究中的【卡方檢驗】

這時候點擊實驗/醫學研究面板中的【卡方檢驗】-拖拽三個【分析變數】分別到對應分析框-【開始分析】即可。

四、參數檢驗

（1） 單樣本t檢驗

單樣本T檢驗用於比較樣本數據與一個特定數值之間是否存在差異情況。

首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則分析項明顯不等於設定數字,具體差異可通過平均值進行對比判斷。

（2）獨立樣本T檢驗（T檢驗）

獨立樣本T檢驗用於分析定類數據（X）與定量數據（Y）之間的差異情況。

獨立樣本T檢驗除了需要服從正態分布、還要求兩組樣本的總體方差相等。當數據不服從正態分布或方差不齊時，則考慮使用非參數檢驗。

首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則說明兩組數據具有顯著性差異,具體差異可通過平均值進行對比判斷。

（3）配對樣本T檢驗

用於分析配對定量數據之間的差異對比關系。與獨立樣本t檢驗相比，配對樣本T檢驗要求樣本是配對的。兩個樣本的樣本量要相同；樣本先後的順序是一一對應的。

常見的配對研究包括幾種情況：

判斷p 值是否呈現出顯著性，如果呈現出顯著性，，則說明配對數據具有顯著性差異，具體差異可通過平均值進行對比判斷。

（4）方差分析

方差分析(單因素方差分析),用於分析定類數據與定量數據之間的關系情況.例如研究人員想知道三組學生的智商平均值是否有顯著差異。

進行方差分析需要數據滿足以下兩個基本前提：

理論上講，數據必須滿足以上兩個條件才能進行方差分析，如不滿足，則使用非參數檢驗。但現實研究中，數據多數情況下無法到達理想狀態。正態性檢驗要求嚴格通常無法滿足，實際研究中，若峰度絕對值小於10並且偏度絕對值小於3，或正態圖基本上呈現出 鍾形 ，則說明數據雖然不是絕對正態，但基本可接受為正態分布，此時也可使用方差分析進行分析。

第一：分析X與Y之間是否呈現出顯著性(p值小於0.05或0.01)。

第二：如果呈現出顯著性；通過具體對比平均值大小，描述具體差異所在。

第三：如果沒有呈現出顯著性；說明X不同組別下，Y沒有差異。

（5）重復測量方差

在某些實驗研究中，常常需要考慮時間因素對實驗的影響，當需要對同一觀察單位在不同時間重復進行多次測量，每個樣本的測量數據之間存在相關性，因而不能簡單的使用方差分析進行研究，而需要使用重復測量方差分析。

第一、首先進行球形度檢驗，p <0.05說明沒有通過球形度檢驗，p >0.05說明通過球形度檢驗；

第二、如果沒有通過球形度檢驗，並且球形度W值大於0.75，則使用HF校正結果；

第三、如果沒有通過球形度檢驗，並且球形度W值小於0.75，則使用GG校正結果；

第四、如果通過球形度檢驗，組內效應分析結果時使用「滿足球形度檢驗」結果即可；

將數據上傳至SPSSAU分析，選擇【實驗/醫學研究】--【重復測量方差】。

五、非參數檢驗

凡是在分析過程中不涉及總體分布參數的檢驗方法，都可以稱為「非參數檢驗」。因而，與參數檢驗一樣，非參數檢驗包括許多方法。以下是最常見的非參數檢驗及其對應的參數檢驗對應方法：

非參數秩和檢驗研究X不同組別時Y的差異性，針對方差不齊，或者非正態性數據（Y）進行差異性對比（X為兩組時使用mannWhitney檢驗，X超過兩組時使用Kruskal-Wallis檢驗，系統默認進行判斷）；

（1）單樣本Wilcoxon檢驗

單樣本Wilcoxon檢驗是單樣本t檢驗的代替方法。該檢驗用於檢驗數據是否與某數字有明顯的區別，如對比調查對象整體態度與滿意程度之間的差異。首先需要判斷數據是否呈現出正態性分析特質，如果數據呈現出正態性特質，此時應該使用單樣本t檢驗進行檢驗；如果數據沒有呈現出正態性特質，此時應該使用單樣本Wilcoxon檢驗

首先判斷p 值是否呈現出顯著性,如果呈現出顯著性,則分析項明顯不等於設定數字,具體差異可通過中位數進行對比判斷。

（2）Mann-Whitney檢驗

Mann-Whitney檢驗是獨立樣本t檢驗的非參數版本。該檢驗主要處理包含等級數據的兩個獨立樣本，SPSSAU中稱為非參數檢驗。

第一：分析X與Y之間是否呈現出顯著性(p值小於0.05或0.01)。

第二：如果呈現出顯著性；通過具體對比中位數大小，描述具體差異情況。

（3）Kruskal-Wallis檢驗

Kruskal-Wallis檢驗是單因素方差分析的非參數替代方法。Kruskal-Wallis檢驗用於比較兩個以上獨立組的等級數據。

在SPSSAU中，與Mann-Whitney檢驗統稱為「非參數檢驗」,分析時SPSSAU會根據自變數組別數自動選擇使用Kruskal-Wallis檢驗或Mann-Whitney檢驗。

（4）配對Wilcoxon檢驗

Wilcoxon符號秩檢驗是配對樣本t檢驗的非參數對應方法。該檢驗將兩個相關樣本與等級數據進行比較。

第一：分析每組配對項之間是否呈現出顯著性差異(p值小於0.05或0.01)。

第二：如果呈現出顯著性；具體對比中位數(或差值)大小，描述具體差異所在。

⑶ 參數檢驗和非參數檢驗的區別

參數檢驗和非參數檢驗的區別：

1、定義不同：

參數檢驗：假定數據服從某分布（一般為正態分布），通過樣本參數的估計量（x±s）對總體參數（μ）進行檢驗，比如t檢驗、u檢驗、方差分析。

非參數檢驗：不需要假定總體分布形式，直接對數據的分布進行檢驗。由於不涉及總體分布的參數，故名「非參數」檢驗。比如，卡方檢驗。

2、參數檢驗的集中趨勢的衡量為均值，而非參數檢驗為中位數。

3、參數檢驗需要關於總體分布的信息；非參數檢驗不需要關於總體的信息。

4、參數檢驗只適用於變數，而非參數檢驗同時適用於變數和屬性。

5、測量兩個定量變數之間的相關程度，參數檢驗用Pearson相關系數，非參數檢驗用Spearman秩相關。

簡而言之，若可以假定樣本數據來自具有特定分布的總體，則使用參數檢驗。如果不能對數據集作出必要的假設，則使用非參數檢驗。

(3)喜靚檢驗方法中哪些是參數檢驗擴展閱讀：

非參數檢驗的常見方法：

1、Wilcoxon Signed Ranks test：也稱配對符號秩檢驗，適用於連續型資料，用來檢驗配對資料的差值是否來自於中位數為0的總體，也可推斷總體中位數是否等於某個指定值，該方法利用配對資料差值大小的信息，檢驗效率高於符號檢驗。

2、Sign test：也稱差數秩檢驗，根據配對資料差值正負號檢驗其效果有無差異，由於檢驗效能較低，當配對設計資料不滿足非參數檢驗時可考慮使用。

3、McNemar test：在卡方檢驗時學習過，該方法適用於計數資料，指標變數為二分類，可用來檢驗配對設計資料處理前後的結果是否存在差異或者配對組之間的頻率有無差異。

4、Marginal Homogeneity test：McNemar檢驗的擴展，適用於指標變數為多分類的有序或無序資料，即平方表格資料(R×R列聯表資料)。

⑷ 參數檢驗和非參數檢驗

非參數檢驗(Nonparametric tests)是統計分析方法的重要組成部分，它與參數檢驗共同構成統計推斷的基本內容。

參數檢驗是在總體分布形式已知的情況下，對總體分布的參數如均值、方差等進行推斷的方法。參數檢驗的方法有Z檢驗、T檢驗，這些檢驗都是假設 樣本來自於正態分布的總體 ，將總體的數字特徵看作未知的「參數」，通過樣本的數據特徵對其總體進行統計推斷。

但是，在數據分析過程中，由於種種原因，人們往往無法對總體分布形態作簡單假定，此時參數檢驗的方法就不再適用了。

非參數檢驗是在總體方差未知或知道甚少的情況下，利用樣本數據對總體分布形態等進行推斷的方法。由於非參數檢驗方法在推斷過程中不涉及有關總體分布的參數，因而得名為「非參數」檢驗。

非參數檢驗的優點：

SPSS給出的四種獨立樣本的非參數檢驗的方法：

SPSS中多個獨立樣本檢驗的方法主要有3種：Kruskal-Wakkis H檢驗、中位數（Median）檢驗和Jonckheere-Terpstra檢驗。

該檢驗一般應用於對同一研究對象（或配對對象）分別給予K種不同處理或處理前後的效果進行比較，前者推斷K種效果有無顯著差異，後者推斷某種處理是否有效。
在SPSS種兩個相關樣本檢驗的方法主要有：Wilcoxon檢驗、Sign（符號）檢驗、McNemar檢驗和Marginal Homogeneity檢驗。

在SPSS種兩個相關樣本檢驗的方法主要有：Friedman檢驗、Kendall's W檢驗和Cochran『s Q檢驗。

⑸ 參數檢驗和非參數檢驗是什麼意思

參數檢驗是針對參數做的假設，非參數檢驗是針對總體分布情況做的假設，這個是區分參數檢驗和非參數檢驗的一個重要特徵。

參數檢驗和非參數檢驗的本質區別：

1.參數檢驗要利用到總體的信息（總體分布、總體的一些參數特徵如方差），以總體分布和樣本信息對總體參數作出推斷；非參數檢驗不需要利用總體的信息（總體分布、總體的一些參數特徵如方差），以樣本信息對總體分布作出推斷。

2.參數檢驗只能用於等距數據和比例數據，非參數檢驗主要用於記數數據。也可用於等距和比例數據，但精確性就會降低。

(5)喜靚檢驗方法中哪些是參數檢驗擴展閱讀：

參數檢驗與非參數檢驗的優缺點。

1）參數檢驗：優點是符合條件時，檢驗效率高；其缺點是對資料要求嚴格，如等級數據、非確定數據（＞50mg）不能使用參數檢驗，而且要求資料的分布型已知和總體方差相等。

2）非參數檢驗：優點是應用范圍廣、簡便、易掌握；缺點是若對符合參數檢驗條件的資料用非參數檢驗，則檢驗效率低於參數檢驗。如無效假設是正確的，非參數法與參數法一樣好，但如果無效假設是錯誤的，則非參數檢驗效果較差，如需檢驗出同樣大小的差異的差異往往需要較多的資料。

另一點是非參數檢驗統計量是近似服從某一部分，檢驗的界值表也是有近似的（如配對秩和檢驗）因此其結果有一定近似性。

1、提出檢驗假設又稱無效假設，符號是H0；備擇假設的符號是H1。

H0：樣本與總體或樣本與樣本間的差異是由抽樣誤差引起的；

H1：樣本與總體或樣本與樣本間存在本質差異；

預先設定的檢驗水準為0.05；當檢驗假設為真，但被錯誤地拒絕的概率，記作α，通常取α=0.05或α=0.01。

2、選定統計方法，由樣本觀察值按相應的公式計算出統計量的大小，如X2值、t值等。根據資料的類型和特點，可分別選用Z檢驗，T檢驗，秩和檢驗和卡方檢驗等。

3、根據統計量的大小及其分布確定檢驗假設成立的可能性P的大小並判斷結果。若P>α，結論為按α所取水準不顯著，不拒絕H0，即認為差別很可能是由於抽樣誤差造成的，在統計上不成立。

如果P≤α，結論為按所取α水準顯著，拒絕H0，接受H1，則認為此差別不大可能僅由抽樣誤差所致，很可能是實驗因素不同造成的，故在統計上成立。P值的大小一般可通過查閱相應的界值表得到。

兩獨立樣本的非參數檢驗是在對總體分布不甚了解的情況下，通過對兩組獨立樣本的分析來推斷樣本來自的兩個總體的分布等是否存在顯著差異的方法。獨立樣本是指在一個總體中隨機抽樣對在另一個總體中隨機抽樣沒有影響的情況下所獲得的樣本。

SPSS中提供了多種兩獨立樣本的非參數檢驗方法，其中包括曼-惠特尼U檢驗、K-S檢驗、W-W遊程檢驗、極端反應檢驗等。

某工廠用甲乙兩種不同的工藝生產同一種產品。如果希望檢驗兩種工藝下產品的使用是否存在顯著差異，可從兩種工藝生產出的產品中隨機抽樣，得到各自的使用壽命數據。