卡方检验是利用卡方分布来检验总体的某种假设,主要用于类别变量的推断,比图,一个类别变量的拟合优度,两个类别变量的独立性检验等。
下面检验并可视化以下假设:
①不同满意度的人数分布是否有显著差异。
②网购次数与满意度是否独立。
library(readxl)
data1_1 <- read_excel("C:/Users/26601/Desktop/数据可视化分析/data1_1.xlsx")
library(gginference)
chisq_test=chisq.test(table(data1_1$满意度))
chisq_test #显示卡方检验结果
ggchisqtest(chisq_test,colreject = 'red2',colstat = 'blue2') #绘制卡方检验图
上图是该检验卡方统计量的概率分布,红色阴影面积为显著性水平0.05,其对应的自由度为2时的卡方分布临界值为5.991;蓝色竖线是该检验得到的统计量的位置,统计量的值为59.2.由于检验统计量远大于临界值,拒绝原假设,表示不同满意度之间的人数分布有显著差异。
2.检验网购次数与满意度是否独立,就是检验以下假设
H0:网购次数与满意度独立 ;H1:网购次数与满意度不独立
library(gginference)
tab=table(data1_1$网购次数,data1_1$满意度)
chisq_test=chisq.test(tab)
chisq_test #显示卡方检验结果
ggchisqtest(chisq_test,colreject = 'red2',colstat = 'blue2') #绘制卡方检验图
上图显示了该检验卡方分布的临界值(9.488)和检验统计量的值(5.886).结果显示不拒绝原假设,表示网购次数与满意度独立,即二者之间没有相关性。
t检验在经典统计推断中有着广泛应用,比如,小样本条件下一个总体均值的检验,两个总体均值之差的检验,两个变量之间的相关系数检验等。
从某大学的管理、金融和会计3个专业中随机抽取25名学生,得到其性别和3门课程的考试分数。下面可视化以下检验结果:
①数学分数与80是否有显著差异.
②统计学分数是否显著大于80.
③男女学生统计学分数是否有显著差异.
④数学分数与统计学分数之间的相关系数是否显著.
检验数学分数与80是否有显著差异,也就是检验如下假设:
检验统计学分数是否显著大于80,也就是检验如下假设:
检验男女学生统计学分数是否有显著差异.,也就是检验如下假设:
检验数学分数与统计学分数之间的相关系数是否显著,也就是检验如下假设:
使用stats包中的t.twst函数和cor.test函数可以实现上述实验;使用gginference包中的ggtest函数和ggcortest函数可以绘制上述检验结果的图形。
library(readxl)
data8_7 <- read_excel("C:/Users/26601/Desktop/数据可视化分析/data8_7.xlsx")
#图(a):双侧检验
t_test1=t.test(data8_7$数学,mu=80) #双侧检验
t_test1 #显示t检验结果
p1=ggttest(t_test1,colreject = 'red2',colstat = 'blue2') #画出t检验图
#图(b):右侧检验
t_test2=t.test(data8_7$统计学,mu=80,a='g') #双侧检验
t_test2 #显示t检验结果
p2=ggttest(t_test2,colreject = 'red2',colstat = 'blue2') #画出t检验图
#图(c):独立小样本两个总体均值之差的检验
t_test3=t.test(data8_7$统计学~data8_7$性别,var.equal=F) #独立小样本的均值差检验
t_test3 #显示t检验结果
p3=ggttest(t_test3,colreject = 'red2',colstat = 'blue2') #画出t检验图
#图(d):数学分数与统计学分数线性关系的检验
corr_test4=cor.test(data8_7$数学,data8_7$统计学) #相关系数检验
corr_test4
p4=ggcortest(corr_test4,colreject = 'red2',colstat = 'blue2')
grid.arrange(p1,p2,p3,p4,ncol=2)
上图显示:(a)数学分数与80没有显著差异;(b)t统计学分数显著大于80;男女学生的统计学分数没有显著差异;(d)数学分数与统计学分数之间的相关系数显著。
如果是配对样本,只需要在t.test函数中设置参数paired=T即可.
某饮料公司研制出一款新产品,为比较消费者对新旧产品口感的满意程度,随机抽选一组消费者共10人,让每个消费者先品尝一款饮料,再品尝另一款饮料,两款饮料的品尝顺序是随机的,而后每个消费者要对两款饮料分别进行评分(0~10分),检验消费者对两款饮料评分是否有显著差异。
library(readxl)
data8_8 <- read_excel("C:/Users/26601/Desktop/数据可视化分析/data8_8.xlsx")
t_test=t.test(data8_8$旧款饮料,data8_8$新款饮料,paired = T)
t_test
library(gginference)
ggttest(t_test,colreject='red2',colstat='blue2')
上图表明,消费者对旧款饮料和新款饮料的评分无显著差异。
使用ggpubr包中的ggpaired函数还可以绘制配对样本的箱线图,如下图所示。
library(ggplot2)
ggpaired(data8_8,cond1 = '旧款饮料',cond2 = '新款饮料', #设置绘图的条件变量
fill = 'condition',palette = 'simpsons', #设置箱线图的填充颜色
line.color = 'grey50',line.size = 0.2, #设置配对连线的颜色和粗细
label = '消费者编号',repel = T, #设置样本点的标签并避免重叠
xlab = '饮料类型',ylab = '评分')
上图中的箱线图可以用于描述配对样本的评分差异和分布特征。图中的连线是配对样本的评分连线,其中的数字是消费者的编号,可用于观察同一个消费者在两种饮料评分上的差异。上图显示,消费者对新款饮料的评分较旧款饮料高且相对集中,但评分差异没有达到统计上的显著程度。图中的配对连线表示,10号和2号消费者对旧款饮料的评分高于新款饮料,9号消费者持平,其余消费者对新款饮料的评分均高于旧款饮料。
F检验主要用于比较总体方差,如两个总体方差比的检验、多个总体的方差分析等。下面可视化
①数学分数和统计学分数的方差是否有显著差异。
②不同专业的统计学分数是否有显著差异
library(gginference)
attach(data8_7)
var_test=var.test(数学,统计学,alternative = 'two.sided') #方差比的F检验
var_test #展示方差比的F检验结果
ggvartest(var_test,colreject = 'red2',colstat = 'blue2') #绘制F检验图
上图显示,数学分数和统计学分数方差比差异显著。
设管理、金融和会计专业统计学分数的均值分别为μ1,μ2,μ3,检验不同专业的统计学分数是否有显著差异,也就是检验如下假设:
library(gginference)
attach(data8_7)
model=aov(统计学~专业,data = data8_7) #拟合方差分析模型
summary(model) #展示方差分析结果
ggaov(model,colreject = 'red2',colstat = 'blue2') #绘制方差分析的F检验图
结果显示,不同专业的统计学分数差异不显著。
除上图外,还可以对方差分析的结果左进一步的可视化。比如:使用sjPlot包中的sjp.aov1函数,可以绘制出单因子方差分析模型的常数项、参数的估计值和方差分析表的有关信息。
library(sjPlot)
attach(data8_7)
sjp.aov1(统计学,专业,
show.values = T,digits = 2, #绘制各因子的效应值,结果保留两位小数
show.summary = T) #绘制方差分析表的信息
在上图中,对应于管理的数字83是模型的截距项,这实际上就是管理专业统计学的平均分数;对应于会计和金融的数字是相对于管理专业(参照水平)估计出来的相对效应,3.17表示会计专业的平均分数比管理专业高3.17分,2.25表示金融专业的平均分数比管理专业高2.25分。图中的直线表示相应的置信区间。
图的右下角列出的是方差分析表中的信息。其中,SSB表示因子平方和;SSW表示随机误差平方和‘R2=SSB/SSW,表示因子的效应量,0.132表示在考试分数的总误差中被专业这一因子解释的比例为13.2%;adjR2表示调整后的效应量’F=1.67是检验统计量的F值。
使用gplots包中的plotmeans函数可以绘制各样本的均值图,从描述性分析的角度观察各样本之间的差异。
library(gplots)
plotmeans(统计学~专业,data=data8_7,
mean.labels = T,digits = 2) #绘制出均值的数字标签,结果保留两位小数
上图的数字分别表示不同专业统计学分数的样本均值,图中的线段表示总体均值的95%置信区间。图中最下面一行数字表示样本量。
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势,分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括:FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
文章浏览阅读1.1k次,点赞2次,收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的:估计模块间的delay,确保写的代码的timing 综合能给到多少HZ,以满足需求!_基4布斯算法代码
文章浏览阅读3.3k次,点赞3次,收藏5次。OpenAI Manager助手(基于SpringBoot和Vue)_chatgpt网页版
文章浏览阅读2.2k次。USACO自1992年举办,到目前为止已经举办了27届,目的是为了帮助美国信息学国家队选拔IOI的队员,目前逐渐发展为全球热门的线上赛事,成为美国大学申请条件下,含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学,越来越多的学生进入了康奈尔,麻省理工,普林斯顿,哈佛和耶鲁等大学,这些同学的共同点是他们都参加了美国计算机科学竞赛(USACO),并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学,高三学生也可以参加12月的第_usaco可以多次提交吗
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
文章浏览阅读2.8k次,点赞3次,收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画(无顶点位移),整个mesh由4个顶点构成。实现了水面效果(左图),不动代码稍微修改下参数和贴图可以实现岩浆效果(右图)。有要思路是1,uv按时间去做正弦波移动2,在1的基础上加个凹凸图混合uv3,在1、2的基础上加个水流方向4,加上对雾效的支持,如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
文章浏览阅读5k次。广义线性模型是线性模型的扩展,它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为:其中g(μY)是条件均值的函数(称为连接函数)。另外,你可放松Y为正态分布的假设,改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后,便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下,线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是,有时候我们要进行非正态因变量的分析,例如:(1)类别型.._广义线性回归模型
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验:一般的网页需要融入以下知识点:div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点,网页的风格主题也很全面:如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题,学生、新手可参考下方页面的布局和设计和HTML源码(有用点赞△) 一套A+的网_垃圾分类网页设计目标怎么写
文章浏览阅读614次,点赞7次,收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
文章浏览阅读1.5k次。本文为转载,原博客地址:http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出,BRIEF是对已检测到的特征点进行描述,它是一种二进制编码的描述子,摈弃了利用区域灰度..._breif description calculation 特征点
文章浏览阅读4.1k次,点赞21次,收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档,可以给应届毕业生提供格式撰写参考,也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文