Критерий Уилкоксона для связных выборок

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(это задание)
Текущая версия (13:28, 30 сентября 2015) (править) (отменить)
м
 
(3 промежуточные версии не показаны)
Строка 30: Строка 30:
'''Асимптотический критерий:'''
'''Асимптотический критерий:'''
-
[[Изображение:Standard_Normal_Density_-_Right_Critical_Area.png|thumb|Критическая область критерия Уилкоксона для связных выборок.]]
+
[[Изображение:Standard_Normal_Density_-_Right_Critical_Area.png|thumb|Критическая область критерия Уилкоксона для связных выборок (нормальная аппроксимация).]]
Рассмотрим нормированную и центрированную статистика Уилкоксона:
Рассмотрим нормированную и центрированную статистика Уилкоксона:
Строка 44: Строка 44:
В 1974 году Р. Иман предложил следующую аппроксимацию, обеспечивающую значительное снижение относительной ошибки для критических значений. Она использует линейную комбинацию нормальной и стьюдентовской квантилей. Положим:
В 1974 году Р. Иман предложил следующую аппроксимацию, обеспечивающую значительное снижение относительной ошибки для критических значений. Она использует линейную комбинацию нормальной и стьюдентовской квантилей. Положим:
-
<tex>\tilde T ^{*} = \frac12 \tilde T \left[ 1 + \sqrt{(n-1)(n - (\tilde T)^2)} \right]</tex>.
+
<tex>\tilde T ^{*} = \frac12 \tilde T \left[ 1 + \sqrt{\frac{N-1}{N - (\tilde T)^2}} \right]</tex>.
-
Гипотеза <tex>H_0</tex> отвергается, если <tex>\tilde T ^{*} \ge (x_{1-\alpha}+y_{1-\alpha})/2</tex>, где <tex>x_{1-\alpha},\; y_{1-\alpha}</tex> обозначают соответственно квантили уровня <tex>1-\alpha</tex> стандартного нормального распределения и распределения Стьюдента с <tex>n-1</tex> степенью свободы.
+
Гипотеза <tex>H_0</tex> отвергается, если <tex>\tilde T ^{*} \ge (x_{1-\alpha}+y_{1-\alpha})/2</tex>, где <tex>x_{1-\alpha},\; y_{1-\alpha}</tex> обозначают соответственно квантили уровня <tex>1-\alpha</tex> стандартного нормального распределения и распределения Стьюдента с <tex>N-1</tex> степенью свободы.
'''Случай совпадающих наблюдений:'''
'''Случай совпадающих наблюдений:'''
Строка 87: Строка 87:
* [http://en.wikipedia.org/wiki/Wilcoxon_signed-rank_test Wilcoxon signed-rank test] — статья в англоязычной Википедии.
* [http://en.wikipedia.org/wiki/Wilcoxon_signed-rank_test Wilcoxon signed-rank test] — статья в англоязычной Википедии.
-
{{Задание|Василий Ломакин|Vokov|31 декабря 2009}}
+
[[Категория:Непараметрические статистические тесты]]

Текущая версия

Содержание

Критерий Уилкоксона (Вилкоксона) для связных выборок (Wilcoxon signed-rank test) — непараметрический статистический критерий, применяемый для оценки различий между двумя зависимыми выборками, взятыми из закона распределения, отличного от нормального, либо измеренными с использованием порядковой шкалы. Критерий является ранговым, поэтому он инвариантен по отношению к любому монотонному преобразованию шкалы измерения.

Пример задачи

Первая выборка - температура пациентов до начала лечения. Вторая - температура в точности этих же пациентов после введения лекарства. Требуется выяснить, повлияло ли применение лекарства на температуру больных. Выборки связные, измерены в порядковой шкале.

Описание критерия

Заданы две выборки x^m = (x_1,\ldots,x_m),\; x_i \in \mathbb{R};\;\; y^n = (y_1,\ldots,y_n),\; y_i \in \mathbb{R}.

Дополнительные предположения:

  • Обе выборки простые.
  • Выборки связные, то есть элементы x_i,\: y_i соответствуют одному и тому же объекту, но измерения сделаны в разные моменты (например, до и после обработки).

Нулевая гипотеза H_0:\; \mathbb{P} \{x_i < y_i \} = 1/2.

Вычисление статистики критерия:

  1. Рассчитать значения разностей пар двух выборок. Нулевые разности далее не учитываются. N - количество ненулевых разностей.
  2. Проранжировать модули разностей пар в возрастающем порядке.
  3. Приписать рангам знаки соответствующих им разностей.
  4. Рассчитать сумму R положительных рангов.

Критерий (при уровне значимости \alpha):

Против альтернативы H_1:\; \mathbb{P} \{ x_i < y_i \} \neq 1/2:

если R больше табличного значения критерия знаковых рангов Уилкоксона T^{+}[1][1] с уровнем значимости \alpha/2 и числом степеней свободы N, то нулевая гипотеза отвергается.

Асимптотический критерий:

Критическая область критерия Уилкоксона для связных выборок (нормальная аппроксимация).
Критическая область критерия Уилкоксона для связных выборок (нормальная аппроксимация).

Рассмотрим нормированную и центрированную статистика Уилкоксона:

\tilde T = \frac{R - \frac{N(N+1)}{4}}{\sqrt{\frac{N(N+1)(2N+1)}{24}}};

\tilde T асимптотически имеет стандартное нормальное распределение. Нулевая гипотеза (против альтернативы H_1) отвергается, если \tilde T \ge \Phi_{1-\alpha/2} , где \Phi_{1-\alpha} есть (1-\alpha)-квантиль стандартного нормального распределения.

Аппроксимация начинает работать при N \ge 15.[1]

Поправка:[1]

В 1974 году Р. Иман предложил следующую аппроксимацию, обеспечивающую значительное снижение относительной ошибки для критических значений. Она использует линейную комбинацию нормальной и стьюдентовской квантилей. Положим:

\tilde T ^{*} = \frac12 \tilde T \left[ 1 + \sqrt{\frac{N-1}{N - (\tilde T)^2}} \right].

Гипотеза H_0 отвергается, если \tilde T ^{*} \ge (x_{1-\alpha}+y_{1-\alpha})/2, где x_{1-\alpha},\; y_{1-\alpha} обозначают соответственно квантили уровня 1-\alpha стандартного нормального распределения и распределения Стьюдента с N-1 степенью свободы.

Случай совпадающих наблюдений:

При наличии связок необходимо учесть их с помощью поправки. Выражение в знаменателе нормированной и центрированной статистики Уилкоксона необходимо заменить на следующее:

\left{ \frac{N(N+1)(2N+1) - \frac{\sum_{j=1}^{g}{t_j(t_j-1)(t_j+1)}}{2}}{24} \right}^{1/2},[1]
где g - количество связок, t_1, \ldots, t_g - их размеры. Для элементов связок вычисляется средний ранг.

Другие гипотезы:

H_0:\; средняя разница между значениями пар двух выборок равна заданной константе A.

H_1:\; средняя разница не равна A.

В этом случае из каждой разности вычитается значение A, и дальнейшая обработка выполняется по описанной схеме.

Применение критерия

Метод часто используется для сравнения показателей выборки до и после эксперимента, в частности для проверки гипотезы о равенстве медиан в двух зависимых выборках. Вообще говоря, можно строить примеры, когда медианы выборок различны, а гипотеза H_0 верна, поэтому применять критерий для проверки такой гипотезы следует с осторожностью. Аналогичными недостатками (в своей области применения) обладают двухвыборочный критерий Вилкоксона и U-критерий Манна-Уитни.[1]

Критерий является аналогом t-критерия Стьюдента для связанных выборок в случае распределения, отличного от нормального, либо данных, измеренных в количественной шкале. К нормально распределённым совокупностям следует применять более мощный t-критерий.

История

Данный критерий назван именем Френка Уилкоксона (1892-1965). Статья, выпущенная им в 1945 году, содержала также описание аналогичного метода для случая независимых выборок.

Примечания


Литература

  1. Лапач С. Н., Чубенко А. В., Бабич П. Н. Статистика в науке и бизнесе. — Киев: Морион, 2002. — 164-166 с.
  2. Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006. — 457-458 с.
  3. Орлов А. И. Эконометрика. — М.: Экзамен, 2003. — §4.5.
  4. Лагутин М. Б. Наглядная математическая статистика. В двух томах. — М.: П-центр, 2003. — 222-227 с.
  5. Холлендер М., Вулф Д. Непараметрические методы статистики. — М.: Финансы и статистика, 1983.

Ссылки

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9A%D1%80%D0%B8%D1%82%D0%B5%D1%80%D0%B8%D0%B9_%D0%A3%D0%B8%D0%BB%D0%BA%D0%BE%D0%BA%D1%81%D0%BE%D0%BD%D0%B0_%D0%B4%D0%BB%D1%8F_%D1%81%D0%B2%D1%8F%D0%B7%D0%BD%D1%8B%D1%85_%D0%B2%D1%8B%D0%B1%D0%BE%D1%80%D0%BE%D0%BA»
Личные инструменты