非参数统计检验方法的应用
论文投稿领域：数理经济与计量经济学
非参数统计检验方法的应用
阮曙芬1 程娇翼 1 张振中2
（1.中国地质大学数理学院，武汉 430074；2.中南大学数学科学与计算学院，长沙 410075）
摘要：本文对非参数统计中常用的三种假设检验方法进行了简单的介绍。运用
Kruskal-Wallis 检验方法对2002年前三季度的上海股市综合指数收益率数据进行了周末效应的检验，结果表明2002年上海股市综合指数收益率不具有周末效应。 关键字：符号检验；Wilcoxon 秩和检验；Kruskal-Wallis 检验
1引言
非参数统计是统计分析的重要组成部分。非参数假设检验是在总体分布未知或者总体分布不满足参数统计对总体所做的假定的时候，分析样本特点，寻找相应的非参数检验统计量。本文就是以此为出发点，介绍了非参数统计中假设检验常用的几个检验方法：符号检验、Wilcoxon 秩和检验和Kruskal-Wallis 检验，然后结合具体的问题和数据，在统计软件SAS 中作相应的非参数检验。
2非参数假设检验介绍
2.1 配对样本的符号检验
符号检验是根据正、负符号进行假设检验的方法。这种检验方法用于配对设计数值变量资料的假设检验，常常是差值不服从正态分布或者总体分布未知的情况下不能用t 检验的时候使用。其原理是对差值进行编制并冠以符号，然后对正负秩和进行比较检验。
设随机变量12,,...,n X X X 相互独立同分布，分布为()F x ，()F x 在0x =连续。假设检验问题
2.2 两独立样本的Wilcoxon 秩和检验
Wilcoxon 秩和检验的理论背景如下：有两个总体，一个总体的样本为12,,...,n X X X ，相互独立同分布，分布为()F x ；另一个样本为12,,...,n Y Y Y ，相互独立同分布，分布为()G x ，()F x ，
()G x 连续。问随机变量Y 是否随机大于随机变量X ，即检验
0H ：()()F x G x ≡，1H ：()()F x G x ≥，且有某些点不等号成立。
将12,,...,n X X X ，12,,...,n Y Y Y 共m n +个随机变量一起排序，产生对应的秩
11(,...,;,...,)m n R Q Q R R =。则Wilcoxon 秩和检验统计量为：1
n
i i W R ==∑即12,,...,n Y Y Y 在混合样
本中的秩的和为Wilcoxon 秩和检验统计量。 2.3多样本的Kruskal-Wallis 检验
Kruskal-Wallis 检验一般对多个总体的分布情况进行检验。其理论基础为：假设有m 种处理，对于第j 个检验体实行第i 种处理产生的效果记为ij x ，其分布函数为()i F x 。即
0H ：12()()...()n F x F x F x ===；1H ：存在i 和'i ，'()()i i F x F x ≠。
设观测值为{,1,2,...,;1,2,...,}ij x i m j n ==。全体样本数为N ，ij x 的顺位记为ij r
。假定
检验方法为：00,N N k k H k k H >→≤→拒绝不拒绝。
k 近似服从自由度为1m -的2χ分布。因此2(1)m α
χ-，2
(1)N k m αχ=-为自由度为1m -的2χ
分布的右侧的α分位数点。
3 Kruskal-Wallis 检验的应用
股市的周末效应是指周一的收益率比其他交易日收益率低，且风险较大；周五的收益率
比其他交易日高，且相对风险较小。下面分别对2002年的前三季度的上证综合指数进行周末效应的分析。
本实证分析中，样本为2002年1月4日到2002年9月27日的上海股市综合指数（数据来源于https://www.sodocs.net/doc/2119078542.html,/stock/company/sh000001/20031012.html ）。指数收益率的计算公3.1收益率分布状况的分析
首先计算收益率序列的方差，均值，偏度和峰度初步判断该序列是否服从正态分布。然后利用Kolmogorov-Smirnov 等检验结果对收益率进行正态性检验。 [SAS 程序]
创建数据集：将excel 数据导入SAS 中，然后在分析家中利用数据计算得到: r0=p/lag1(p)和r=log(r0);
data sasuser.chx1 sasuser.chx2 sasuser.chx3 sasuser.chx4 sasuser.chx5; set sasuser.ch01; select (w);
when(1) output sasuser.chx1;
when(2) output sasuser.chx2;
when(3) output sasuser.chx3;
when(4) output sasuser.chx4;
when(5) output sasuser.chx5;
end;
run;
proc univariate data=sasuser.ch01;
var r;
run;
[SAS结果输出]见表1汇总
偏度和峰度分别为0和3，所以我们可以初步断定指数收益率序列为非正态分布。为了进一步
图1 上证综合指数收益率分布的直方图
图2 上证综合指数收益率分布的概率图
包括Kolmogorov-Smirnov检验统计量在内的四种检验正态分布的检验统计量均表明上海综合指数收益率序列不服从正态分布，图1和图2也说明了这一点。所以要采用非参数方法进行以后的周末效应的检验。
3.2周末效应存在性的Kruskal-Wallis检验
我们利用Kruskal-Wallis检验2002年前三季度上证综合指数收益率的周末效应的存在性。
[SAS程序]
proc npar1way wilcoxon data=sasuser.ch01;
class w;
var r;
run;
[SAS结果输出]
-------------------------------------------------------------------------
T he NPAR1WAY Procedure
Wilcoxon Scores (Rank Sums) for Variable r
Classified by Variable w
w N Sum of Scores Expected Under H0 Std Dev Under H0 Mean Score
5 33 2576.0 2805.0 252.150749 78.060606
1 34 2610.0 2890.0 255.000000 76.764706
2 34 3206.0 2890.0 255.000000 94.294118
3 3
4 2996.0 2890.0 255.000000 88.117647 4 34 2977.0 2890.0 255.000000 87.558824
Kruskal-Wallis Test Chi-Square 3.0846 DF 4 Pr > Chi-Square 0.5438
------------------------------------------------------------------------- K －W 检验得2
χ＝3.086，df ＝4，p ＝0.53480.05>，所以不能拒绝0H ,即周一到周五得上证综合指数收益率得分布125()()...()F x F x F x ===，所以我们认为在2002年的前三季度中，上海市股市综合指数收益率不存在周末效应。
参考文献：
[1] Damodar N. Gujarati. Basic Econometrics.北京：中国人民大学出版社，2005. p791-p800. [2] George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel. Time Series Analysis
Forecasting And Control.
[3] 何书元. 应用时间序列分析. 北京：北京大学出版社, 2003. p218-p226. [4] 张卓. SAS 软件的应用. 统计与信息论坛(2005),Vol.20, No.4. p104-p106. [5] 樊欣，邵谦谦.SAS 8.X 经济统计.北京：北京希望电子出版社，2003. p28-p60.
[6] 岳朝龙，黄永兴，严钟. SAS 系统与经济统计分析. 合肥：中国科学技术大学出版社, 2004. p469-p487 [7] 李彦萍.发达与非发达地区收入与消费非参数统计分析.山西农业大学学报(2005)，Vol.4， No.4.
p334-p339.
[8] 刘彤.利用非参数方法对上海股市周末效应的研究.数理统计与管理(2003)，Vol.22，No.1.
p69-p71.
Application of Nonparametric statistical Method
RUAN Shu-fen ，CHENG Jiao-yi ，ZHANG Zhen-zhong
(School of Mathematics and Physics, China University of Geosciences, Wuhan 430074) Abstract: In this paper, we simply introduce three common hypothesis tests. Using the Kruskal- -Wallis test, we do week effect test about the shanghai synthetic index of which we take the first three quarters of 2002 for samples. Showing that during the year of 2002, the yield of shanghai stock market synthetic index has no week effect.
Keywords: singed test; wilcoxon rank sum test; Krtuskal-wallis test.
非参数统计题目及答案
1．人们在研究肺病患者的生理性质时发现，患者的肺活量与他早在儿童时期是否接受过某种治疗有关，观察3组病人，第一组早在儿童时期接受过肺部辐射，第二组接受过胸外科手术，第三组没有治疗过，现观察到其肺活量占其正常值的百分比如下： 这一经验是否可靠。 解： H 0：θ2≤θ1≤θ 3 H 1 :至少有一个不等式成立 可得到 N=15 由统计量H= ) 112 +N N （∑=K i i N R 1i 2 -3(N+1)=）（1151512+(32×6.4+29×5.8+59×11.8)-3×(15+1)=5.46 查表（5,5,5）在P(H ≥4.56)=0.100 P(H ≥5.66)=0.0509 即P （H ≥5.46）﹥0.05 故取α=0.05， P ﹥α ，故接受零假设即这一检验可靠。
2.关于生产计算机公司在一年中的生产力的改进（度量为从0到100）与它们在过去三年中在智力投资（度量为：低，中等，高）之间的关系的研究结果列在下表中： 值等等及你的结果。（利用Jonkheere-Terpstra 检验） 解： H 0：M 低=M 中=M 高 H 1：M 低﹤M 中﹤M 高 U 12=0+9+2+8+10+9+10+2+10+10+8+0.5+3=82.5 U 13=10×8=80 U 23=12+9+12+12+12+11+12+11=89 J= ∑≤j ij U i =82.5+80+89=251.5 大样本近似 Z= []72 )32()324 1 2 1i 22 2∑ ∑==+-+--k i i i k i n n N N n N J （）（～N （0,1） 求得 Z=3.956 Ф(3.956)=0.9451 取α=0.05 ， P >α， 故接受原假设，认为智力投资对改进生产力有帮助。
非参数统计部分课后习题参考答案
课后习题参考答案 第一章p23-25 2、（2）有两组学生，第一组八名学生的成绩分别为x 1：100，99，99，100，99，100，99，99；第二组三名学生的成绩分别为x 2：75,87,60。我们对这两组数据作同样水平a=0.05的ｔ检验（假设总体均值为u ）：H 0：u=100 H 1：u<100。第一组数据的检验结果为：df=7，t 值为3.4157，单边p 值为0.0056，结论为“拒绝H 0：u=100。”（注意：该组均值为99.3750）；第二组数据的检验结果为：df=2，t 值为3.3290，单边ｐ值为0.0398;结论为“接受H 0：u=100。”（注意：该组均值为74.000）。你认为该问题的结论合理吗？说出你的理由，并提出该如何解决这一类问题。 答：这个结论不合理（6分）。因为，第一组数据的结论是由于ｐ－值太小拒绝零假设，这时可能犯第一类错误的概率较小，且我们容易把握；而第二组数据虽不能拒绝零假设，但要做出“在水平ａ时，接受零假设”的说法时，还必须涉及到犯第二类错误的概率。（4分）然而，在实践中，犯第二类错误的概率多不易得到，这时说接受零假设就容易产生误导。实际上不能拒绝零假设的原因很多，可能是证据不足（样本数据太少），也可能是检验效率低，换一个更有效的检验之后就可以拒绝了，当然也可能是零假设本身就是对的。本题第二组数据明显是由于证据不足，所以解决的方法只有增大样本容量。（4分） 第三章p68-71 3、在某保险种类中，一次关于1998年的索赔数额（单位：元）的随机抽样为（按升幂排列）： 4632，4728，5052，5064，5484，6972，7596，9480，14760，15012，18720，21240，22836，52788，67200。已知1997年的索赔数额的中位数为5064元。 （1）是否1998年索赔的中位数比前一年有所变化？能否用单边检验来回答这个问题？（4分） （2）利用符号检验来回答（1）的问题（利用精确的和正态近似两种方法）。（10分） （3）找出基于符号检验的95％的中位数的置信区间。（8分） 解：（1）1998年的索赔数额的中位数为9480元比1997年索赔数额的中位数5064元是有变化，但这只是从中位数的点估计值看。如果要从普遍意义上比较1998年与1997年的索赔数额是否有显著变化，还得进行假设检验，而且这个问题不能用单边检验来回答。（4分） （2）符号检验（5分） 设假设组：H ０：M ＝M ０＝5064 H １：M ≠M ０＝5064 符号检验：因为n +=11，n-=3，所以k=min(n+,n-)=3 精确检验：二项分布b(14,0.5)， ∑=-=3 0287 .0)2/1,14(n b ，双边ｐ－值为0.0576,大于ａ＝0.05， 所以在ａ水平下，样本数据还不足以拒绝零假设；但假若ａ＝0.1，则样本数据可拒绝零假设。查二项分布表得ａ＝0.05的临界值为（3，11），同样不足以拒绝零假设。 正态近似：（5分） np=14/2=7,npq=14/4=3.5 z=(3+0.5-7)/5.3≈-1.87>Z a/2=-1.96 仍是在ａ＝0.05的水平上无法拒绝零假设。说明两年的中位数变化不大。 （3）中位数95％的置信区间：（5064，21240）（8分） 7、一个监听装置收到如下的信号：0，1，0，1，1，1，0，0，1，1，0，0，0，0，1，1，1，1，1，1，1，1，1，0，1，0，0，1，1，1，0，1，0，1，0，1，0，0，0，0，0，0，0，0，1，0，1，1，0，0，1，1，1，0，1，0，1，0，0，0，1，0，0，1，0，1，0，1，0，0，0，0，0，0，0，0。能否说该信号是纯粹随机干扰？（10分）
第二讲-非参数统计检验教学内容
第二讲 非参数检验 1. 实验目的 1.了解非参数假设检验基本思想； 2.会用SAS 软件中的proc npar1way 过程进行非参数假设检验和proc freq 过程进行列联表的独立性检验。 2. 实验要求 1.会用SAS 软件建立数据集，并进行统计分析； 2.掌握proc npar1way 过程进行非参数假设检验的基本步骤； 3.掌握proc freq 过程进行列联表的独立性检验的基本步骤。 3. 实验基本原理 3.1 符号检验 0:H 两种方法的处理效果无显著性差异 令10 i i I i ?=??第个个体中新方法优于对照方法第个个体中新方法劣于对照方法1,2,,i N =L 统计量1N N i i S I ==∑ N S 表示新方法的处理效果优于对照方法的配对组总数。若新方法的处理效果显著的优于对照方法，则N S 的值应明显偏大。因此，若对给定的置信水平α，有 {}N P S c α≥<， 则拒绝0H 。 0H 为真时，（1）N S 服从二项分布1(,)2 b N (),()24N N N N E S Var S ==。拒绝域为：{}N N S S c > （2）由中心极限定理可知，当2 ,1N N S N - →∞的零分布趋于标准正态分布。
拒绝域为 ：N S u α??????>???????? 3.2 Wilcoxon 秩和检验 （1）单边假设检验 0:H 两种方法的处理效果无显著性差异 as 1:H ：新方法优于对照方法。 用于检验0H 的统计量为：1n s i i W I ==∑ 若对给定的置信水平α，有 {}s P W c α≥<，则拒绝0H 。且s W 的分布列为： 0#{;,}{}H s w n m P W w N n ==?? ??? 根据观测结果计算s W 的观测值0s W ，计算检验的p 值： 00{}{}s H s s H s k w p P W w P W k ≥=≥= =∑ 然后将p 值与显著水平α作比较，若p α<，则拒绝0H ，否则接受0H 。 （2）双边假设检验 给定的显著水平21,c c 和α应该满足： ε=≥+≤}{}{2100c W P c W P A H A H 仅由上式还不能唯一确定21c c 和，当我们对两种方法谁优谁劣不得而知时，通常取 2}{}{2100α =≥=≤c W P c W P A H A H 若利用p 值进行检验，设A A W ω的观测值为,计算概率值 }{}{00A A H A A H W P W P ωω≤≥或 由对称性可知，检验的p 值为上述两概率中小于1/2的那一个的2倍。例如
王静龙《非参数统计分析》课后计算题参考标准答案
王静龙《非参数统计分析》课后习题计算题参考答案习题一 1. One Sample t-test for a Mea n Sample Statistics for x N Mea n Std. Dev. Std. Error 26 1.38 8.20 1.61 Hypothesis Test Null hypothesis: Mea n of x = 0 Alternative: Mea n of x A= 0 t Statistic Df Prob > t 0.861 25 0.3976 95 % Con fide nee In terval for the Mea n Lower Limit: -1.93 Upper Limit: 4.70 则接受原假设认为一样 习题二 1.描述性统计
习题二 1.1 S+=13 n 39 H o： me 6500 H〔：me 6500 PS 13 二BINOMDIST(13,39,0.5,1) =0.026625957 另外：在excel2010中有公式BINOM.INV(n,p,a)返回一个数值，它使得累计二项式分布的函数值大于或等于临界值a的最小整数 * 1 m n m inf m ■ 2 i 0 i BINO M」N V(39,0.5,0.05)=14 * n 1 * d n d=sup d : m 1 13 2 i 0 i S+13 d 13 以上两种都拒绝原假设，即中位数低于6500 1.2
n 1 inf n * * 1 m n m inf m :- 2 i o i BINOM.INV(40,0.5,1 -0.025)=26 d=n-c=40-26=14 x 14 5800 x 26 6400 me x 20 6200 2. S + =40 n 70 H 0: me 6500 H 1: me 6500 2P S 40 2*(1-BIN0MDIST(39,70,0.5,1)) =0.281978922 则接受原假设，即房价中位数是 6500 3.1 S + =1552 n 1552 527 2079 inf m inf m=BINOM.INV(2079,0.5,0.975)=1084 则拒绝原假设，即相信孩子会过得更好的人多 3.2 P 为认为生活更好的成年人的比例，则 H 。: p 出：p n 比较大，则用正态分布近似 P S 1552 1039.5-1552+0.5 、519.75 =5.33E-112 另外:S +=1552 n 1552 527 2079
STATA 多组计量 比较的非参数检验命令与输出结果说明
第五章多组计量资料比较的非参数检验命令与输出结果说明本节STATA? 命令摘要 秩和检验 ( Mann，Whitney and Wilcoxon 非参数检验) 对于计量资料不满足正态分布要求或方差不齐性，但样本资料之间是独立抽取的，则可以应用秩和检验方法进行比较两组资料的中位数是否有差异。STATA命令为：ranksum?? 观察变量, by( 分组变量) 例：研究不同饲料对雌鼠体重增加的关系。表中用x表示雌鼠体重增加(克)，用group=1表示高蛋白饲料组以及用group=2 表示低蛋白饲料组。 无效假设 Ho:两组增加体重的中位数相同。 ranksum x,? by(group)
①为第二组(低饲料组)的秩的和；② 若效假设成立，则第二组的秩的和期望值为70； ③秩和统计检验量z；④对于无效假设Ho对应的p值。 在本例中，虽然第二组的秩和为49.5而期望值估计为70，但p值为0.0832，所以根据该资料和统计结果一般不能认为用高蛋白饲料喂养能明显增加雌鼠的体重。 多组资料中位数比较(完全随机化设计资料的检验) 对于完全随机化设计资料的比较，若各组资料不全服从正态分布(即：至少有一组的资料均不服从正态分布)或各组的资料方差不齐性，则可以用Kruskal and Wallis方法进行检验(Ho:各组的中位数相同)。STATA命令为： kwallis?观察变量,by(分组变量)
例：50只小鼠随机分配到5个不同饲料组，每组10只小鼠。在喂养一定时间后，测定鼠肝中的铁的含量(mg/g)如表所示：试比较各组鼠肝中铁的含量是否有显着性差别。用x?表示鼠肝中铁的含量以及用group=1，2，3，4，5分别表示对应的5个组。 kwallis? x, by(group)
第五章假设检验
第五章假设检验 本章介绍假设检验的基本概念以及参数检验与非参数检验的主要方法。通过学习，要求： 1.掌握统计检验的基本概念，理解该检验犯两类错误的可能； 2. 熟练掌握总体均值与总体成 数指标的各种检验方法；包括：z 检验、t 检验和p- 值检验；4. 掌握基本的非参数检验方法，包括：符号检验、秩和检验与游程检验； 5. 能利用Excel 进行假设检验。 第一节假设检验概述 一、假设检验的基本概念 假设检验是统计推断的另一种方式，它与区间估计的差别主要在于：区间估计是用给定的大概率推断出总体参数的范围，而假设检验是以小概率为标准，对总体的状况所做出的假设进行判断。假设检验与区间估计结合起来，构成完整的统计推断内容。假设检验分为两类：一类是参数假设检验，另一类是非参数假设检验。本章分别讨论这两类检验方法。 进行假设检验，首先要对总体的分布函数形式或分布的某些参数做出假设，然后再根据样本数据和“小概率原理” ，对假设的正确性做出判断。这种思维方法与数学里的“反证法” 很相似，“反证法”先将要证明的结论假设为不正确的，作为进一步推论的条件之一使用，最后推出矛盾的结果，以此否定事先所作的假设。反证法所认为矛盾的结论，也就是不可能发生的事件，这种事件发生的概率为零，该事件是不能接受的现实。其实，我们在日常生活中，不仅不肯接受概率为0 的事件，而且对小概率事件，也持否定态度。比如，虽然偶尔也有媒体报导陨石降落的消息，但人们不必担心天空降落的陨石会砸伤自己。 所谓小概率原理，即指概率很小的事件在一次试验中实际上不可能出现。这种事件称为“实际不可能事件” 。 小概率的标准是多大？这并没有绝对的标准，一般我们以一个所谓显著性水平 a 0＜加1) 作为小概率的界限，a的取值与实际问题的性质有关。所以，统计检验又称显著性检验。 下面通过一个具体例子说明假设检验是怎样进行的。 【例5-1】消费者协会接到消费者投诉，指控品牌纸包装饮料存在容量不足，有欺骗消费者之嫌。包装上标明的容量为250毫升。消费者协会从市场上随机抽取50盒该品牌纸包装饮品，测试发现平均含量为248毫升，小于250毫升。这是生产中正常的波动，还是厂商的有意行为？消费者协会能否根据该样本数据，判定饮料厂商欺骗了消费者呢？ 上述例子中，消费者协会实际要进行的是一项统计检验工作，检验总体平均容量是否等于包装上注明的250 毫升。即，检验总体平均=250 是否成立。这就是一个原假设(null hypothesis) ，通常用 H 0 表示，即： H 0 ：=250 与原假设对立的是备选假设( alternative hypothesis) H 1 ，备选假设是在原假设被否定时另一 种可能成立的结论。备选假设比原假设还重要，这要由实际问题来确定，一般把期望出现的结论作为备选假设。上例中可能的备选假设有三种：
非参数检验
非参数检验 SPSS(中文版)统计分析实用教程(第版)电子工业出版社*第五章非参数检验SPSS(中文版)统计分析实用教程(第版)电子工业出版社*主要内容参数检验与非参数检验的比较单样本的非参数检验独立样本非参数检验相关样本的非参数检验SPSS(中文版)统计分析实用教程(第版)电子工业出版社*参数检验与非参数检验的比较参数检验和非参数检验的区别参数检验和非参数检验最本质的区别：参数检验需要事先确定或假定总体的分布非参数检验则不需要假定总体的分布而是直接用样本来推断总体的分布。 可以通过是否假定总体的分布来区分参数检验和非参数检验除此之外二者之间还可以从很多方面来区分。 （）研究的对象和目标不同。 参数检验研究的是总体的参数不涉及总体的分布检验一旦总体的参数确定总体的分布也就确定了非参数检验的目标是直接从样本推导总体的分布或两个总体的分布是否相同。 （）研究的统计量有所不同。 参数检验中很少用到秩来构造统计量无论样本量大小都能对总体进行推断非参数检验中常用秩、秩和等来构造统计量且常要求样本量较大。 SPSS(中文版)统计分析实用教程(第版)电子工业出版社*参数检验与非参数检验的比较非参数检验的优点（）它对总体分布一般不做过多的限制性假设任何分布都可以用非参数检验进行研究从应用范围
看其应用范围大于参数检验。 （）由于非参数检验不依赖于总体的分布形式因而它天然具有稳健性特征。 （）对资料的测量水平要求不高这给资料的搜集带来了很大的方便可以大大减轻统计资料的搜集工作量。 同时也为属性资料研究提供了广泛的基础。 （）非参数检验比较直观很容易理解不需要太多数学知识和统计理论。 多数非参数检验的运算比较简单可以较快地取得统计结果。 非参数检验的上述优点表明在实际问题的研究中它是一种比较有用的统计方法。 SPSS(中文版)统计分析实用教程(第版)电子工业出版社*参数检验与非参数检验的比较非参数检验的缺点有些人主张用非参数检验取代参数检验这种看法有点偏激因为非参数检验毕竟存在着一些自身难以克服的不足表现在：（）两者的效率有差距。 非参数检验主要处理定序资料这类资料的测量尺度比较低如果把那些能够用参数检验处理的资料转化为定类和定序资料必然会丢失检验数据的一部分信息因此非参数检验的有效性或检验效率不如参数检验。 （）当样本容量比较大时非参数检验的计算也比较繁杂、困难。 （）参数检验与非参数检验各有各的特点并非所有的参数检验都能转用非参数检验。
非参数假设检验法及其运用
非参数假设检验法及其运用 摘要：在国际金融危机下，以中国股市数据为依据，运用S-plus 统计分析软件和Excel ，对中国股市正态分布假设进行了Kolmogorv拟合优度检验，运用方差平方秩检验方法，比较分析了上证指数和深证综指的波动性。 关键字：股市；Kolmogorov拟合优度检验；秩检验。 引言：对中国股市分布的研究，国内各学者对中国股市进行了非参数检验。王金玉、李霞、潘德惠(2005)通过引入一种新的估计方法“非参数假设检验方法”，以达到对证券投资咨询机构，对证券市场大盘走势预测准确度的估计。周明磊(2004)运用非参数非线性协整检验，对上证指数与深成指间协整关系进行了研究，结论是：上证指数与深圳成指之间确实存在非线性的协整关系。方国斌(2007)从分析中国股市收益率序列的特征入手，寻找描述中国股市波动性特征的合适的统计模型。 在研究相关文献的基础上，将非参检验应用于中国股市统计特征的研究。运用Kolmogorov拟合优度检验，对中国股市进行了正态分布假设检验；运用方差平方秩检验方法，比较分析了上海指数和深圳综指的波动性。 正文： 一、Kolmogorov拟合优度检验以及方差的平方秩检验方法。 (一)Kolmogorov拟合优度检验 1. 原假设和备择假设 原假设H ：样本来自于正态分布总体。 备择假设H 1 ：样本不是来自于正态分布总体。 2. 检验统计量 令S (x) 是样本X 1、X 2 、…X n 、的经验分布函数，F*(x)是完全已知的假设分布函数， 则检验统计量T为S (x) 与F*(x)的最大垂直距离，即：T = sup| F*(x)- S (x)|。 3. P值计算 近似P值可以通过在表A13中插值得到，或者利用2倍的单边检验的P值。 单边P值= 1 )] 1( [ 1 1 - - - = ? ? ? ? ? + ? ? ? ? ? - - ?? ? ? ? ? ∑j j n t n j n j t n j t j n 这里t的是检验统计量的观测值，[n(1-t)] 且是小于等于n(1-t)的最大整数。当给定的显著性水平α大于或等于P值时，拒绝原假设。 在本文中，该检验是运用S-plus 统计分析软件实现的。 (二) 方差的平方秩检验 1. 原假设和备择假设 ( 1 ) 双边检验 1 原假设H ：除了它们的均值可能不同外，X和Y同分布。
非参数统计检验方法的应用
论文投稿领域：数理经济与计量经济学 非参数统计检验方法的应用 阮曙芬1 程娇翼 1 张振中2 （1.中国地质大学数理学院，武汉 430074；2.中南大学数学科学与计算学院，长沙 410075） 摘要：本文对非参数统计中常用的三种假设检验方法进行了简单的介绍。运用 Kruskal-Wallis 检验方法对2002年前三季度的上海股市综合指数收益率数据进行了周末效应的检验，结果表明2002年上海股市综合指数收益率不具有周末效应。 关键字：符号检验；Wilcoxon 秩和检验；Kruskal-Wallis 检验 1引言 非参数统计是统计分析的重要组成部分。非参数假设检验是在总体分布未知或者总体分布不满足参数统计对总体所做的假定的时候，分析样本特点，寻找相应的非参数检验统计量。本文就是以此为出发点，介绍了非参数统计中假设检验常用的几个检验方法：符号检验、Wilcoxon 秩和检验和Kruskal-Wallis 检验，然后结合具体的问题和数据，在统计软件SAS 中作相应的非参数检验。 2非参数假设检验介绍 2.1 配对样本的符号检验 符号检验是根据正、负符号进行假设检验的方法。这种检验方法用于配对设计数值变量资料的假设检验，常常是差值不服从正态分布或者总体分布未知的情况下不能用t 检验的时候使用。其原理是对差值进行编制并冠以符号，然后对正负秩和进行比较检验。 设随机变量12,,...,n X X X 相互独立同分布，分布为()F x ，()F x 在0x =连续。假设检验问题 2.2 两独立样本的Wilcoxon 秩和检验 Wilcoxon 秩和检验的理论背景如下：有两个总体，一个总体的样本为12,,...,n X X X ，相互独立同分布，分布为()F x ；另一个样本为12,,...,n Y Y Y ，相互独立同分布，分布为()G x ，()F x ， ()G x 连续。问随机变量Y 是否随机大于随机变量X ，即检验
非参数统计
中国海洋大学本科生课程大纲 课程属性：公共基础/通识教育/学科基础/专业知识/工作技能，课程性质：必修、选修 一、课程介绍 1.课程描述： 非参数统计是数理统计学的一个分支，它是针对参数统计而言的。所谓参数统计，简 单地说就是建立在总体具有明确分布形式，通常多为正态分布形式的假定基础之上，所建立 的统计理论和统计方法。而非参数统计是在不假定总体分布形式或在较弱条件下，例如总体 分布形式完全未知或分布形式是对称的，诸如这样一些宽泛条件下，尽量从数据本身获 得的信息，建立对总体相关统计特征进行分析和推断的理论、方法。 2.设计思路： 本课程是在已学数理统计基础上，通过非参数统计的学习，引导数学专业学生进一步增强对一般总体分析、推断的能力并加深对相关理论和方法的理解。 课程内容着重于基本知识点的理解，避免难度较大或较长定理的证明。目的是使学生对理论有一个基本的理解和在应用能力上的提高。课程内容包括以下四个方面： (1).非参数统计的基本概念：非参数统计方法的主要特点，次序统计量及其分布，U统计量， 秩统计量的概念，一些统计量的近似分布。 (2).非参数估计的方法：总体分位数的估计，对称中心的估计，位置差的估计。 (3).非参数检验的方法：总体p分位数的检验，总体均值检验，两样本的比较，随机性与 独立性检验，多总体的比较。 - 1 -
(4).总体分布类型的估计与检验：分布函数的估计与检验，概率密度估计。 3. 课程与其他课程的关系： 先修课程：《概率论》，《数理统计》，《多元统计分析》；并行课程：《应用回归分析》；后置课程：《统计软件》。 非参数统计是应用数学专业、信息与计算科学专业的选修课程，但对于今后从事统计研究和统计应用工作的学生来讲可以作为专业必修课学习。 二、课程目标 非参数统计具有应用性广，稳健性好等特点。通过本课程学习，要求学生了解或理解非参数统计的一些基本理论和方法，注重利用理论和方法、借助计算机解决问题的能力。开课学期结束时，要求学生能够做到： (1)理解非参数统计方法的主要特点及与参数统计方法的区别。掌握次序统计量及其分布；理解并掌握U统计量秩统计量的概念；理解一些常用统计量的近似分布。重点是次序统计量及其分布； U统计量构造，秩统计量； (2)掌握总体分位数估计、对称中心的估计、位置差估计的方法。 (3)理解各种检验的基本思想，掌握检验的一般步骤，掌握检验统计及其拒绝域。难点在于检验统计量的选取及概率分布。 (4)理解分布函数估计及检验的基步骤和过程。 (5)为更深入学习非参数统计学理论打下初步的基础。也为学习专业统计软件的作好准备。 三、学习要求 要完成所有的课程任务，学生必须： （1）按时上课,认真听讲，认真完成作业。其中有一些作业需要学生自编程序用机器完成。（2）按时完成并按时提交书面形式的作业。延期提交作业需要得到任课教师的许可。 （3）完成一定量的阅读文献和背景资料，可以以小组的形式讨论学习，促进同学间的心得交 - 1 -
假设检验——非参数检验
假设检验（二）——非参数检验 假设检验的统计方法，从其统计假设的角度可分为两类：参数检验与非参数检验。上一节我们所介绍的Z 检验、t 检验，都是参数检验。它们的共同特点是总体分布正态，并满足某些总体参数的假定条件。参数检验就是要通过样本统计量去推断或估计总体参数。然而，在实践中我们常常会遇到一些问题的总体分布并不明确，或者总体参数的假设条件不成立，不能使用参数检 验。这一类问题的检验应该采用统计学中的另一类方法，即非参数检验。非参数检验是通过检验总体分布情况来实现对总体参数的推断。 非参数检验法与参数检验法相比，特点可以归纳如下： （1）非参数检验一般不需要严格的前提假设； （2）非参数检验特别适用于顺序资料； （3）非参数检验很适用于小样本，并且计算简单； （4）非参数检验法最大的不足是没能充分利用数据资料的全部信息； （5 ）非参数检验法目前还不能用于处理因素间的交互作用。 非参数检验的方法很多，分别适用于各种特点的资料。本节将介绍几种常用的非参数检验方法。 一．2检验 2 检验主要用于对按属性分类的计数资料的分析，对于数据资料本身的分布形态不作任何假设，所以从一定的意义上来讲，它是一种检验计数数据分布状态的最常用的非参数检验方法。 2 2 检验的方法主要包括适合性检验和独立性检验。 （一）2检验概述 2 是实得数据与理论数据偏离程度的指标。其基本公式为： 2 （ f0 f e）（公式11—9） f e 式中，f0 为实际观察次数，f e 为理论次数。 分析公式可知，把实际观测次数和依据某种假设所期望的次数（或理论次数）的差数平方，除以理论次数，求出比值，再将n 个比值相加，其和就是2。观察公式可发现，如果实际观察
非参数统计(R软件)参考答案
内容： A.3, A.10, A.12 A.3 上机实践：将MASS数据包用命令library(MASS)加载到R中，调用自带“老忠实”喷泉数据集geyer，它有两个变量：等待时间waiting和喷涌时间duration，其中… (1) 将等待时间70min以下的数据挑选出来; (2) 将等待时间70min以下,且等待时间不等于57min的数据挑选出来; (3) 将等待时间70min以下喷泉的喷涌时间挑选出来; (4) 将喷涌时间大于70min喷泉的等待时间挑选出来。 解:读取数据的R命令： library(MASS);#加载MASS包 data(geyser);#加载数据集geyser attach(geyser);#将数据集geyser的变量置为内存变量 (1) 依题意编定R程序如下： sub1geyser=geyser[which(waiting<70),1]; #提取满足条件（waiting<70）的数据,which()，读取下标 sub1geyser[1:5];#显示子数据集sub1geyser的前5行 [1] 57 60 56 50 54 (2) 依题意编定R程序如下： Sub2geyser=geyser[which((waiting<70)&(waiting!=57)),1]; #提取满足条件（waiting<70& (waiting!=57)的数据. Sub2geyser[1:5];#显示子数据集sub1geyser的前5行 [1] 60 56 50 54 60 …… 原数据集的第1列为waiting喷涌时间，所以用[which(waiting<70),2] (3) Sub3geyser=geyser[which(waiting<70),2]; #提取满足条件（waiting<70）的数据,which()，读取下标 Sub3geyser[1:5];#显示子数据集sub1geyser的前5行 [1] 4.000000 4.383333 4.833333 5.450000 4.866667…… 原数据集的第2列为喷涌时间，所以用[which(waiting<70),2] (4) Sub4geyser=geyser[which(waiting>70),1]; #提取满足条件（waiting<70）的数据,which()，读取下标 Sub4geyser[1:5];#显示子数据集sub1geyser的前5行 [1] 80 71 80 75 77……. A.10 如光盘文件student.txt中的数据，一个班有30名学生，每名学生有5门课程的成绩，编写函数实现下述要求： (1) 以data.frame的格式保存上述数据； (2) 计算每个学生各科平均分，并将该数据加入(1)数据集的最后一列； (3) 找出各科平均分的最高分所对应的学生和他所修课程的成绩； (4) 找出至少两门课程不及格的学生，输出他们的全部成绩和平均成绩； (5) 比较具有(4)特点学生的各科平均分与其余学生平均分之间是否存在差异。 先将数据集读入R系统 student=read.table("…",header=T)
非参数统计分析方法总结
非参数统计分析方法 一单样本问题 1，二项式检验：检验样本参数是否与整体参数有什么关系。 样本量为n给定一个实数MO（代表题目给出的分位点数），和分位 点口（0.25,0.5,0.75）。用S-记做样本中比M0小的数的个数，S+记做样本中比M0大的数的个数。如果原假设H0成立那么S-与n的比之应为n。 H0：M=M0 HI: M k MO或者M>M（或者M H1 ：不是随机的（混合倾向，游程多，长度短）（成群倾向，游程少，长度长) Spss步骤：分析一非参数检验一游程 得出统计量R 和p 值 当p值小于0.05时拒绝原假设，没有充足理由证明该数据出现是随机的二，两个样本位置问题 1，Brown —Mood 中位数检验 给出两个样本比较两个样本的中位数或者四分位数等是否相等或者有一定关系，设一个中值为M1，—个为M2 H0：M1=M2. HI: M1H M2或者M1>M或者M1 王静龙《非参数统计分析》课后习题计算题参考答案 习题一 1.One Sample t-test for a Mean Sample Statistics for x N Mean Std. Dev. Std. Error ------------------------------------------------- 26 1.38 8.20 1.61 Hypothesis Test Null hypothesis: Mean of x = 0 Alternative: Mean of x ^= 0 t Statistic Df Prob > t --------------------------------- 0.861 25 0.3976 95 % Confidence Interval for the Mean Lower Limit: -1.93 Upper Limit: 4.70 则接受原假设认为一样 习题二 1.描述性统计 习题三 1.1 {}+01=1339 :6500:650013=BINOMDIST(13,39,0.5,1)=0.026625957 S n H me H me P S +==<≤ 另外：在excel2010中有公式 BINOM.INV(n,p,a) 返回一个数值，它使得累计二项式分布的函数值大于或等于临界值a 的最小整数 * **0*0+1inf :2BINOM.INV(39,0.5,0.05)=14 1sup :113 2S 1313 n m i n d i n m m i n d d m i d αα==?????? ??=≥?? ? ????????? ?????? ??≤=-=?? ? ????????? =≤=∑∑= 以上两种都拒绝原假设，即中位数低于6500 1.2 第五章多组计量资料比较的非参数检验命令与输出结果说明 对于计量资料不满足正态分布要求或方差不齐性，但样本资料之间是独立抽取的，则可以应用秩和检验方法进行比较两组资料的中位数是否有差异。STATA 命令为： ranksum 观察变量, by( 分组变量) 例：研究不同饲料对雌鼠体重增加的关系。表中用x表示雌鼠体重增加 . ranksum x, by(group) Two-sample Wilcoxon rank-sum (Mann-Whitney) test group obs rank sum expected 1 1 2 140.5 120 2 7 49.5 70 combined 19 190 190 unadjusted variance 140.00 adjustment for ties -0.12 adjusted variance 139.88 Ho: x(group==1) = x(group==2) z = 1.733 Prob > |z| = 0.0830 望值为70；③秩和统计检验量z；④对于无效假设Ho对应的p值。 在本例中，虽然第二组的秩和为49.5而期望值估计为70，但p值为0.0832，所以根据该资料和统计结果一般不能认为用高蛋白饲料喂养能明显增加雌鼠的体重。 多组资料中位数比较(完全随机化设计资料的检验) 对于完全随机化设计资料的比较，若各组资料不全服从正态分布(即：至少有一组的资料均不服从正态分布)或各组的资料方差不齐性，则可以用Kruskal and Wallis方法进行检验(Ho:各组的中位数相同)。STATA命令为： kwallis 观察变量,by(分组变量) 例：50只小鼠随机分配到5个不同饲料组，每组10只小鼠。在喂养一定时间后，测定鼠肝中的铁的含量(mg/g)如表所示：试比较各组鼠肝中铁的含量是否有显著性差别。用x 表示鼠肝中铁的含量以及用group=1，2，3，4，5分别表 Kruskal-Wallis equality-of-populations rank test group Obs Rank Sum 1 10 188.50 2 10 280.50 3 10 420.00 4 10 95.00 5 10 291.00 chi-squared = 27.856 with 4 d.f. probability = 0.0001 chi-squared with ties = 27.858 with 4 d.f. probability = 0.0001 p 值。 本例结果表明：5组的中位数有显著的差异。即：5个不同饲料组的小鼠肝脏中铁的含量有显著差异，说明小鼠肝脏中铁的含量与喂养的饲料有关。 课后习题参考答案 第一章p23-25 2、（2）有两组学生，第一组八名学生的成绩分别为x 1：100，99，99，100，99，100，99，99；第二组三名学生的成绩分别为x 2：75,87,60。我们对这两组数据作同样水平a=的ｔ检验（假设总体均值为u ）：H 0：u=100 H 1：u<100。第一组数据的检验结果为：df=7，t 值为，单边p 值为，结论为“拒绝H 0：u=100。”（注意：该组均值为）；第二组数据的检验结果为：df=2，t 值为，单边ｐ值为;结论为“接受H 0：u=100。”（注意：该组均值为）。你认为该问题的结论合理吗说出你的理由，并提出该如何解决这一类问题。 答：这个结论不合理（6分）。因为，第一组数据的结论是由于ｐ－值太小拒绝零假设，这时可能犯第一类错误的概率较小，且我们容易把握；而第二组数据虽不能拒绝零假设，但要做出“在水平ａ时，接受零假设”的说法时，还必须涉及到犯第二类错误的概率。（4分）然而，在实践中，犯第二类错误的概率多不易得到，这时说接受零假设就容易产生误导。实际上不能拒绝零假设的原因很多，可能是证据不足（样本数据太少），也可能是检验效率低，换一个更有效的检验之后就可以拒绝了，当然也可能是零假设本身就是对的。本题第二组数据明显是由于证据不足，所以解决的方法只有增大样本容量。（4分） 第三章p68-71 3、在某保险种类中，一次关于1998年的索赔数额（单位：元）的随机抽样为（按升幂排列）： 4632，4728，5052，5064，5484，6972，7596，9480，14760，15012，18720，21240，22836，52788，67200。已知1997年的索赔数额的中位数为5064元。 （1）是否1998年索赔的中位数比前一年有所变化能否用单边检验来回答这个问题（4分） （2）利用符号检验来回答（1）的问题（利用精确的和正态近似两种方法）。（10分） （3）找出基于符号检验的95％的中位数的置信区间。（8分） 解：（1）1998年的索赔数额的中位数为9480元比1997年索赔数额的中位数5064元是有变化，但这只是从中位数的点估计值看。如果要从普遍意义上比较1998年与1997年的索赔数额是否有显著变化，还得进行假设检验，而且这个问题不能用单边检验来回答。（4分） （2）符号检验（5分） 设假设组：H ０：M ＝M ０＝5064 H １：M ≠M ０＝5064 符号检验：因为n +=11，n-=3，所以k=min(n+,n-)=3 精确检验：二项分布b(14,， ∑=-=3 0287 .0)2/1,14(n b ，双边ｐ－值为,大于ａ＝，所以在ａ水平 下，样本数据还不足以拒绝零假设；但假若ａ＝，则样本数据可拒绝零假设。查二项分布表得ａ＝的临界值为（3，11），同样不足以拒绝零假设。 正态近似：（5分） np=14/2=7,npq=14/4= z=(3+/5.3≈>Z a/2= 仍是在ａ＝的水平上无法拒绝零假设。说明两年的中位数变化不大。 （3）中位数95％的置信区间：（5064，21240）（8分） 7、一个监听装置收到如下的信号：0，1，0，1，1，1，0，0，1，1，0，0，0，0，1，1，1，1，1，1，1，1，1，0，1，0，0，1，1，1，0，1，0，1，0，1，0，0，0，0，0，0，0，0，1，0，1，1，0，0，1，1，1，0，1，0，1，0，0，0，1，0，0，1，0，1，0，1，0，0，0，0，0，0，0，0。能否说该 内容： , , 上机实践：将MASS数据包用命令library(MASS)加载到R中，调用自带“老忠实”喷泉数据集geyer，它有两个变量：等待时间waiting和喷涌时间duration，其中… (1) 将等待时间70min以下的数据挑选出来; (2) 将等待时间70min以下,且等待时间不等于57min的数据挑选出来; (3) 将等待时间70min以下喷泉的喷涌时间挑选出来; (4) 将喷涌时间大于70min喷泉的等待时间挑选出来。 解:读取数据的R命令： library(MASS);#加载MASS包 data(geyser);#加载数据集geyser attach(geyser);#将数据集geyser的变量置为内存变量 (1) 依题意编定R程序如下： sub1geyser=geyser[which(waiting<70),1]; #提取满足条件（waiting<70）的数据,which()，读取下标 sub1geyser[1:5];#显示子数据集sub1geyser的前5行 [1] 57 60 56 50 54 (2) 依题意编定R程序如下： Sub2geyser=geyser[which((waiting<70)&(waiting!=57)),1]; #提取满足条件（waiting<70& (waiting!=57)的数据. Sub2geyser[1:5];#显示子数据集sub1geyser的前5行 [1] 60 56 50 54 60 …… 原数据集的第1列为waiting喷涌时间，所以用[which(waiting<70),2] (3) Sub3geyser=geyser[which(waiting<70),2]; #提取满足条件（waiting<70）的数据,which()，读取下标 Sub3geyser[1:5];#显示子数据集sub1geyser的前5行 [1] …… 原数据集的第2列为喷涌时间，所以用[which(waiting<70),2] (4) Sub4geyser=geyser[which(waiting>70),1]; #提取满足条件（waiting<70）的数据,which()，读取下标 Sub4geyser[1:5];#显示子数据集sub1geyser的前5行 [1] 80 71 80 75 77……. 如光盘文件中的数据，一个班有30名学生，每名学生有5门课程的成绩，编写函数实现下述要求： (1) 以的格式保存上述数据； (2) 计算每个学生各科平均分，并将该数据加入(1)数据集的最后一列； (3) 找出各科平均分的最高分所对应的学生和他所修课程的成绩； (4) 找出至少两门课程不及格的学生，输出他们的全部成绩和平均成绩； (5) 比较具有(4)特点学生的各科平均分与其余学生平均分之间是否存在差异。 先将数据集读入R系统 student=("…",header=T) class(student):#显示数据集student的类型， [1] ""#student是数据框王静龙非参数统计分析课后计算题参考答案Word版
第五章多组计量资料比较的非参数检验命令与输出结果说明
非参数统计部分课后习题参考答案
非参数统计参考答案