Критерий знаковых рангов Уилкоксона

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(→Описание критерия)
Строка 21: Строка 21:
# Исключить пары, где <tex>|x_{2,i} - x_{1,i}| = 0</tex>. Пусть <tex>N_r</tex> - размер полученной выборки после удаления таких пар
# Исключить пары, где <tex>|x_{2,i} - x_{1,i}| = 0</tex>. Пусть <tex>N_r</tex> - размер полученной выборки после удаления таких пар
# Упорядочить оставшиеся <tex>N_r</tex> пар в порядке возрастания модуля разности, <tex>|x_{2,i} - x_{1,i}|</tex>.
# Упорядочить оставшиеся <tex>N_r</tex> пар в порядке возрастания модуля разности, <tex>|x_{2,i} - x_{1,i}|</tex>.
-
# [[Ranking#Ranking_in_statistics|Rank]] the pairs, starting with the smallest as 1. Ties receive a rank equal to the average of the ranks they span. Пусть <tex>R_i</tex> обозначает ранг.
+
# Построить ранги всех пар, <tex>R_i</tex> обозначает ранг i-й пары.
# Вычислить статистику <tex>W</tex>
# Вычислить статистику <tex>W</tex>
#: <tex>W = |\sum_{i=1}^{N_r} [sign(x_{2,i} - x_{1,i}) \cdot R_i]|</tex>, модуль суммы знаковых рангов.
#: <tex>W = |\sum_{i=1}^{N_r} [sign(x_{2,i} - x_{1,i}) \cdot R_i]|</tex>, модуль суммы знаковых рангов.
Строка 31: Строка 31:
#:
#:
#: Если <tex>W \ge W_{critical, N_r}</tex> отвергнуть <tex>H_0</tex>
#: Если <tex>W \ge W_{critical, N_r}</tex> отвергнуть <tex>H_0</tex>
-
 
== Реализации ==
== Реализации ==

Версия 20:49, 24 февраля 2014

Содержание

Критерий знаковых рангов Уилкоксона - непараметрический статистический критерий, используемый для оценки различий между двумя выборками, взятыми из закона распределения, отличного от нормального, либо измеренными с использованием порядковой шкалы.


Гипотеза H_0: медиана разностей в парах равна 0
Альтернатива: медиана разностей в парах не равна 0

Предположения

  • Данные приходят парами
  • Пары незвасимы и одинаково распределены
  • Данные измерены хотя бы в порядковой шкале
  • Распределение разностей симметрично относительно медианы

Описание критерия

Пусть N - размер выборки (число пар). Обозначим x_{1,i} - элементы 1 выборки и x_{2,i} - элементы 2 выборки.

H0: медиана разности между парами равна 0
H1: медиана разности между парами не равна 0
  1. Для i = 1, ..., N, вычислить |x_{2,i} - x_{1,i}| и sign(x_{2,i} - x_{1,i})
  2. Исключить пары, где |x_{2,i} - x_{1,i}| = 0. Пусть N_r - размер полученной выборки после удаления таких пар
  3. Упорядочить оставшиеся N_r пар в порядке возрастания модуля разности, |x_{2,i} - x_{1,i}|.
  4. Построить ранги всех пар, R_i обозначает ранг i-й пары.
  5. Вычислить статистику W
    W = |\sum_{i=1}^{N_r} [sign(x_{2,i} - x_{1,i}) \cdot R_i]|, модуль суммы знаковых рангов.
  6. С ростом N_r распределение W сходится к нормальному. Thus,
    For N_r \ge 10, a z-score can be calculated as z = \frac{W - 0.5}{\sigma_W}, \sigma_W = \sqrt{\frac{N_r(N_r + 1)(2N_r + 1)}{6}}.
    Если <math>z > z_{critical}</math> отклонить H_0
    Если N_r < 10, W Сравнивается с критическими значениями по таблице.
    Если W \ge W_{critical, N_r} отвергнуть H_0

Реализации

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%B7%D0%BD%D0%B0%D0%BA%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D0%B0%D0%BD%D0%B3%D0%BE%D0%B2_%D0%A3%D0%B8%D0%BB%D0%BA%D0%BE%D0%BA%D1%81%D0%BE%D0%BD%D0%B0»
Личные инструменты