使用Bonferroni校正的成对Wilcoxon秩和检验进行事后测试分析（R语言实现）

最新推荐文章于 2024-08-27 15:16:02 发布
最新推荐文章于 2024-08-27 15:16:02 发布
阅读量815 收藏 1
点赞数 1
文章标签： r语言 开发语言 R语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/CodeVorter/article/details/132374149
版权
Matlab 同时被 2 个专栏收录
222 篇文章 ¥59.90 ¥99.00
订阅专栏
R语言基础及其应用
220 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何在R语言中使用Bonferroni校正进行成对Wilcoxon秩和检验的事后测试分析，以控制多重比较的假阳性率。通过示例数据集，展示了从执行检验到进行校正并判断显著性的完整过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

使用Bonferroni校正的成对Wilcoxon秩和检验进行事后测试分析（R语言实现）

在统计学中，当我们进行多重比较时，存在着假阳性率增加的问题。为了控制这种错误，常常采用Bonferroni校正方法。本文将介绍如何使用R语言进行Bonferroni校正的成对Wilcoxon秩和检验的事后测试分析。

Wilcoxon秩和检验是一种非参数的假设检验方法，用于比较两个相关样本的中位数是否有显著差异。在进行多次Wilcoxon秩和检验时，我们需要对结果进行校正，以控制整体的错误率。

首先，让我们看一个示例数据集，我们有两组相关样本的数据，分别为group1和group2。我们的目标是比较这两组数据的中位数差异。

# 示例数据
group1 <- c(1, 2, 3, 4, 5)
group2 <- c(2, 4, 6, 8, 10)

# 执行Wilcoxon秩和检验
result <- wilcox.test(group1, group2, paired = TRUE)

# 输出原始的p值
p_value <- result$p.value
p_value

在上述代码中，我们使用wilcox.test函数执行了Wilcoxon秩和检验，并设置paired参数为TRUE表示进行成对比较。检验结果保存在res

了解本专栏 订阅专栏 解锁全文
R语言Bonferroni校正的成对t检验进行事后检验（post hoc）实战：单因素方差分析告诉我们并不是所有的群体手段的效果是均等的，确切地找出哪些组彼此不同使用Bonferroni校正的成对t检
statistics+insight+vista+power
03-03 330
R语言Bonferroni校正的成对t检验进行事后检验（post hoc）实战：单因素方差分析告诉我们并不是所有的群体手段的效果是均等的，确切地找出哪些组彼此不同使用Bonferroni校正的成对t检验
基于R语言的成对Wilcoxon秩和检验的事后测试分析及Bonferroni校正
TechGlide的博客
08-11 1133
本文将介绍如何使用R语言进行成对Wilcoxon秩和检验的事后测试分析，并进行Bonferroni校正。本文介绍了使用R语言进行成对Wilcoxon秩和检验的事后测试分析，并应用Bonferroni校正方法进行多重比较。通过以上步骤，我们可以得到检验结果和校正后的p值，以及通过可视化工具对数据进行了直观展示。需要注意的是，在使用成对Wilcoxon秩和检验和Bonferroni校正时，我们需要满足数据的一些假设条件，如配对样本的相关性和数据的非正态分布等。该函数返回的结果中包含检验的统计量和p值。
Bonferroni校正
qq_33169259的博客
02-02 868
数值检验的显著性统计
R语言中使用Bonferroni校正进行事后检验实战
TechChamp的博客
08-17 1650
在统计学中，Bonferroni校正是一种多重比较校正方法，用于控制类型I错误率（即拒绝了原假设但实际上原假设是正确的概率）。通过单因素方差分析，我们确定了组间的差异，然后使用成对t检验进一步比较每两个组之间的均值差异，并使用Bonferroni校正进行多重比较校正。本文将介绍如何使用R语言进行Bonferroni校正的成对t检验，并提供相应的源代码。需要注意的是，Bonferroni校正是一种保守的校正方法，可能会导致较高的类型II错误率（即接受了原假设但实际上原假设是错误的概率）。
带 Bonferroni 校正的 T 检验：在样本组之间执行多个成对比较。-matlab开发
06-01
该函数可用于在样本数据组之间进行多重比较。 Bonferroni 校正用于保持错误报告低于某个 ALPHA 值的差异的总机会。 例如，考虑一个有四名患者的实验。 他们的体温是在早上 8 点、中午和下午 5 点测量的。 此功能可用于测试上午 8 点和中午之间、中午和下午 5 点之间以及上午 8 点和下午 5 点之间的温度是否存在差异。
p值及Bonferroni校正的应用示例（R语言）
CyberLancer的博客
08-11 1298
通过对多组数据进行两两比较，并结合Bonferroni校正方法，我们能够找出在多重比较中具有显著性差异的组合。在统计学中，p值是用于判断假设检验的一种指标，表示观察到的数据结果在假设成立的情况下出现的概率。最后，我们可以将结果进行可视化展示。在上述代码中，我们使用了两层嵌套的循环，将每组身高数据进行两两比较，并将计算得到的p值存储在一个矩阵中。接下来，我们可以使用t.test函数进行多组之间的两两比较，并计算对应的p值。通过上述代码，我们可以得到一个热力图，其中显著差异的组合以浅蓝色方块的形式展示出来。
拓端tecdat|R语言多重比较示例：Bonferroni校正法和Benjamini & Hochberg法
大数据部落
04-02 7671
原文链接：http://tecdat.cn/?p=21825 假设检验的基本原理是小概率原理，即我们认为小概率事件在一次试验中实际上不可能发生。 多重比较的问题 当同一研究问题下进行多次假设检验时，不再符合小概率原理所说的“一次试验”。如果在该研究问题下只要有检验是阳性的，就对该问题下阳性结论的话，对该问题的检验的犯一类错误的概率就会增大。如果同一问题下进行n次检验，每次的检验水准为α（每次假阳性概率为α），则n次检验至少出现一次假阳性的概率会比α大。假设每次检验独立的条件下该概率可增加至 .
多重比较示例：Bonferroni校正法和Benjamini & Hochberg法
拓端研究室TRL
08-25 3212
全文链接：http://tecdat.cn/?p=21825假设检验的基本原理是小概率原理，即我们认为小概率事件在一次试验中实际上不可能发生。相关视频多重比较的问题当同一研究问题下进行多次假设检验时，不再符合小概率原理所说的“一次试验”。如果在该研究问题下只要有检验是阳性的，就对该问题下阳性结论的话，对该问题的检验的犯一类错误的概率就会增大。如果同一问题下进行n次检验，每次的检验水准为α（每次假阳...
R语言Friedman检验实战：Friedman检验是单因素重复测量方差分析的一种非参数替代方法、有bonferroni校正的成对Wilcoxon秩和检验进行事后(post hoc)测试分析
data+scenario+science+insight
12-26 2805
R语言Friedman检验实战：Friedman检验是单因素重复测量方差分析的一种非参数替代方法、有bonferroni校正的成对Wilcoxon秩和检验进行事后(post hoc)测试分析 目录 R语言Friedman检验实战：Friedman检验是单因素重复测量方差分析的一种非参数替代方法、有bonferroni校正的成对Wilcoxon秩和检验进行事后(post hoc)测试分析 #单因素重复测量方差分析（one-way repeated measures ANOVA） #Friedman
2篇3章9节：组间差异的非参数检验，Wilcoxon秩和检验和Kruskal-Wallis检验
DAT｜R科学与人工智能
08-27 1380
在实际数据分析过程中，我们经常会遇到数据无法满足假设检验或方差分析的假设情况。通常，假设检验和方差分析要求数据呈正态分布，且组间方差齐性。但现实中的数据可能呈现出偏态分布，或在不同组之间存在显著的方差差异。这时，我们可以使用非参数检验方法来代替传统的参数检验方法。非参数检验不依赖于数据的具体分布形式，因此在处理不满足常规假设的数据时，非参数检验显得尤为重要。
Bonferroni校正法
an05423833476591的博客
10-08 9937
Bonferroni校正：如果在同一数据集上同时检验n个独立的假设，那么用于每一假设的统计显著水平，应为仅检验一个假设时的显著水平的1/n http://baike.baidu.com/view/1217813.htm?fr=aladdin Bonferroni校正法: 此方法是在进行两两比较时对检验水准进行调整的办法，但是该方法在比较的次数较多时，就不太适合，因为校正后的检验...
Wilcoxon符号秩检验在R语言中的实现
2301_79326857的博客
08-26 978
假设我们有两组学生的成绩数据，分别为"before"和"after"，表示在某个考试前后的成绩情况。我们的目标是比较这两组成绩的中位数是否有显著差异。通过以上步骤，我们就可以使用R语言进行Wilcoxon符号秩检验，并获取检验结果的相关信息。根据p值的大小和显著性水平的选择，我们可以进行假设检验的判断。如果p值小于显著性水平（通常为0.05），则可以拒绝原假设，认为两组样本的中位数存在显著差异。Wilcoxon符号秩检验是一种非参数统计方法，用于比较两个相关样本的中位数是否有显著差异。
使用R语言进行Wilcoxon符号秩检验及置信区间计算
CodeLancerX的博客
08-27 1289
本文将介绍如何使用R语言中的wilcox.test函数执行Wilcoxon符号秩检验，并计算总体中位数的置信区间。通过以上步骤，我们可以使用R语言中的wilcox.test函数执行Wilcoxon符号秩检验，并获得总体中位数的置信区间。执行上述代码后，将得到Wilcoxon符号秩检验的结果摘要信息，其中包括对比样本的中位数差异的置信区间估计值、Wilcoxon符号秩检验的统计量和P值。首先，我们需要准备相关的数据。其中，x和y是待比较的两个样本，paired参数表示这两个样本是相关的。
使用R语言绘制符合Wilcoxon秩和统计分布的随机数的可视化图
DevProPlus的博客
08-30 281
为了更好地理解Wilcoxon秩和统计分布，我们可以使用R语言中的plot函数来可视化生成的随机数。通过运行上述代码，我们可以得到一幅可视化的图形，展示了符合Wilcoxon秩和统计分布的随机数的密度分布情况。这样的可视化图可以帮助我们更好地理解Wilcoxon秩和统计分布及其性质。函数计算了Wilcoxon秩和统计量。接下来，我们提取了Wilcoxon秩和统计量的分布，并使用。使用R语言绘制符合Wilcoxon秩和统计分布的随机数的可视化图。参数设置为"Wilcoxon秩和统计分布的随机数"作为标题，
R语言 单样本Wilcoxon检验与两独样本Wilcoxon检验
hx2024的博客
10-04 1373
【代码】R语言 单样本Wilcoxon检验与两独样本Wilcoxon检验。
Wilcoxon秩和检验在R语言中比较两组数据均值差异
CodeVorter的博客
08-25 1622
反之，如果p-value大于显著性水平，我们则不能拒绝原假设，认为两组数据的均值无显著差异。在统计学中，Wilcoxon秩和检验（Wilcoxon rank-sum test），也被称为Mann-Whitney U检验，是一种非参数检验方法，用于比较两个独立样本的均值是否有显著差异。这意味着我们可以在95%的置信水平下，估计两组数据的均值差异在-9到9之间。通过检验结果中的p-value和置信区间，我们可以判断两组数据的均值是否有显著差异，并估计均值差异的范的范围。首先，我们需要准备两组待比较的数据。
统计学之Bonferroni-corrected
qq_41989587的博客
09-01 1万+
Bonferroni-corrected是指对检验水平p值进行矫正，举个例子，三组进行比较，看每个组别之间是否存在差异，两两比较就需要比较三次，若进行一次比较时p值为0.05，则进行三次比较之后，p=0.05/3=0.0167，只有当计算出来的P值小于0.0167的时候，我们才认为两组之间存在差异，这就是Bonferoni矫正。...
威尔科克森符号秩检验 （Wilcoxon Signed Rank Test）
热门推荐
weixin_50637207的博客
05-02 2万+
Wilcoxon符号秩和检验由F·Wilcoxon于1945年提出，该方法是在成对观测数据的符号检验基础上发展起来的，比传统的单独用正负号的检验更加有效[1]。Wilcoxon符号秩检验是一种非参数检验。当统计数据中使用“非参数”一词时，并不意味着您对总体一无所知。这通常意味着总体数据没有正态分布。如果两个数据样本来自重复观察，那么它们是匹配的。
SPSS案例分析：配对样本的非参数检验的Wilcoxon符号秩检验
qq_45030264的博客
12-11 7090
Wilcoxon符号秩检验不仅可以用于单个样本的中位数与总体中位数的比较，也可以用于成对样本差值的中位数与0的比较。配对样本的Wilcoxon符号秩检验的目的是推断配对样本之间的差值的总体中位数是否不同于0，即推断配对的两个相关样本来自的两个总体中位数是否存在差异。然后计算每对秩的差值，省略所有差值为0的对，使所有剩余有效对为n，最后根据n个差值编译正负秩，并计算正负秩和。现在要研究电刺激对于中风患者的大脑皮层的影响，想看电刺激前后患者的某一指标是否发生了显著的变化。配对设计的有序分类变量的比较。
如何用Python实现Friedman检验的事后比较？
最新发布
04-03
<think>好的，用户想了解如何在Python中实现Friedman检验的事后比较。首先，我需要回忆一下Friedman检验的基本概念和应用场景。Friedman检验是非参数方法，用于比较三个或更多相关组之间的差异，通常用于重复测量或匹配样本的情况。当Friedman检验显示存在显著差异时，需要进行事后比较来确定具体哪些组之间存在差异。 接下来，用户的问题集中在事后比较的实现上。Python中常用的统计库是scipy和statsmodels，但scipy的friedmanchisquare函数只返回检验统计量和p值，不提供事后分析。因此，可能需要手动实现或使用其他库。 我记得在R语言中，有专门的函数如pairwise.wilcox.test来进行事后比较，但Python中可能需要类似的方法。可能的步骤包括：进行Friedman检验，如果结果显著，再使用Wilcoxon符号秩检验进行两两比较，并调整p值以控制多重比较的错误率，比如Bonferroni校正或Holm方法。 然后，我需要查阅相关资料，确保步骤正确。例如，使用scipy的friedmanchisquare进行初步检验，然后使用wilcoxon函数进行两两比较，再使用statsmodels的multipletests进行p值校正。同时，要注意数据的排列方式是否符合函数的要求，比如数据是否以样本为行，组别为列。 还需要考虑用户可能的实际应用场景，比如实验设计中的重复测量数据，或者多个处理条件下的比较。要确保示例代码清晰，步骤明确，便于用户理解和应用。此外，需要提醒用户关于数据正态性假设不满足时使用非参数方法，以及多重比较校正的必要性。 可能的问题包括：如何安装所需的库，如何处理数据格式，如何解释输出结果。因此，在回答中需要包含安装命令、数据准备的示例，以及结果解释的说明。同时，引用相关的文献或资料来支持方法的有效性，比如引用统计教材或官方文档。 最后，生成的相关问题需要围绕Friedman检验和事后比较的扩展，例如前提条件、其他检验方法、结果可视化等，帮助用户进一步学习。</think>要使用Python进行Friedman检验的事后比较，需分步实现。以下是具体操作步骤和代码实现： ### 1. Friedman检验基础 Friedman检验用于判断$k$个相关样本组是否存在统计差异，其原假设是各组分布相同。检验统计量为： $$ \chi_F^2 = \frac{12N}{k(k+1)}\left(\sum R_j^2 - \frac{k(k+1)^2}{4}\right) $$ 其中$N$为样本量，$R_j$为第$j$组的秩和[^1]。 ### 2. 实现步骤 #### (1) 执行Friedman检验 ```python from scipy.stats import friedmanchisquare # 示例数据：3个处理组，10个样本 data_group1 = [5.1, 6.2, 4.9, 7.3, 5.8, 6.5, 5.4, 6.0, 5.7, 6.1] data_group2 = [6.3, 7.1, 6.8, 7.5, 6.9, 7.4, 6.7, 7.2, 6.5, 7.0] data_group3 = [4.8, 5.6, 4.5, 5.9, 5.2, 5.7, 4.9, 5.5, 5.1, 5.3] stat, p_value = friedmanchisquare(data_group1, data_group2, data_group3) print(f"Friedman检验统计量:{stat:.3f}, p值:{p_value:.4f}") ``` #### (2) 事后比较实现 当p<0.05时，使用Wilcoxon符号秩检验进行两两比较，并进行p值校正： ```python from scipy.stats import wilcoxon from statsmodels.stats.multitest import multipletests # 生成所有组别组合 pairs = [(0,1), (0,2), (1,2)] raw_pvalues = [] for i,j in pairs: stat, p = wilcoxon(eval(f"data_group{i+1}"), eval(f"data_group{j+1}")) raw_pvalues.append(p) # Bonferroni校正 reject, adj_pvalues, _, _ = multipletests(raw_pvalues, method='bonferroni') # 输出结果 for (i,j), p, adj_p in zip(pairs, raw_pvalues, adj_pvalues): print(f"Group{i+1} vs Group{j+1}: 原始p值={p:.4f}, 校正后p值={adj_p:.4f}") ``` ### 3. 结果解读 - 校正后p值<0.05表示两组存在显著差异 - 示例输出可能显示： ``` Group1 vs Group2: 校正后p值=0.012* Group1 vs Group3: 校正后p值=0.846 Group2 vs Group3: 校正后p值=0.009** ``` ### 4. 注意事项 - 建议样本量≥10以保证检验效力 - 可使用Holm方法替代Bonferroni（method='holm'） - 数据应满足重复测量或匹配样本条件 - 对于非参数检验，效应量可计算匹配对间的秩次差异
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值