1. W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验)
目标：检验数据是否符合某正态分布，如：标准正态分布N(0,1)
R函数：shapiro.test().
结果含义：当p值小于某个显著性水平α(比如0.05)时，则认为样本不是来自正态分布的总体，否则认为样本来自正态分布的总体。
2. K检验(经验分布的Kolmogorov-Smirnov检验)
目标：检验数据的分布是否符合函数F(x)
R函数:ks.test(),如果P值很小，说明拒绝原假设，表明数据不符合F(n,m)分布。
3. 相关性检验：
R函数：cor.test()cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = c("pearson", "kendall", "spearman"),
exact = NULL, conf.level = 0.95, ...)结果含义：如果p值很小，则拒绝原假设，认为x,y是相关的。否则认为是不相关的。
4. T检验
目标：用于正态总体均值假设检验，单样本，双样本都可以。
R函数：t.test()
t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)结果意义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）
5. 正态总体方差检验
R函数：t.test()t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)结果意义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）
6. 二项分布总体假设检验
binom.test(x, n, p = 0.5,
alternative = c("two.sided", "less", "greater"),
conf.level = 0.95)原假设：p=p0,p<p0,p<p0 计算结果p-值很小，表示拒绝假设，否则为接受假设.
7. Pearson 拟合优度χ2检验
chisq.test(x, y = NULL, correct = TRUE,
p = rep(1/length(x), length(x)), rescale.p = FALSE,
simulate.p.value = FALSE, B = 2000) 原假设H0：X符合F分布。
8. Fisher精确的独立检验：
fisher.test(x, y = NULL, workspace = 200000, hybrid = FALSE,
control = list(), or = 1, alternative = "two.sided",
conf.int = TRUE, conf.level = 0.95)原假设：X,Y相关。
9. McNemar检验：
mcnemar.test(x, y = NULL, correct = TRUE)原假设：两组数据的频数没有区别。
10. 秩相关检验
cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = "spearman", conf.level = 0.95, ...)原假设：x,y相关.
11. Wilcoxon秩检验
wilcox.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, exact = NULL, correct = TRUE,
conf.int = FALSE, conf.level = 0.95, ...)原假设：中位数大于，小于，不等于mu
到此这篇关于R语言 数据检验的文章就介绍到这了,更多相关R语言 数据检验内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
