timothyzh的专栏

Source: http://www.r-bloggers.com/two-way-analysis-of-variance-two-way-anova-in-r/ 单因子方差分析是验证多个群组均值是否相等的非常有用的技术。但一些更复杂的问题这个技术就无能为力了。例如，有时需要考虑变异的两个因子来决定群组之间的平均依赖于群组分类（“zone”），还是第二级需考虑的变量（“block”）。在

Source: http://www.r-bloggers.com/two-sample-z-test/比较两个独立样本组的均值，这两个样本组取自已知方差的两个总体。这里比较两个组的平均高度。第一组（A）包括意大利的个体（意大利总体的方差是5）；第二组（B）取自德国的个体（德国总体的方差是8.5）。数据如下：A: 175, 168, 168, 190, 156, 181, 182, 1

Source: http://www.r-bloggers.com/analysis-of-variance-anova-for-multiple-comparisons/ 用于多个比较的方差分析（ANOVA：Analysis of variance）ANOVA模型能用于比较多个群组之间的均值，这里使用了参数（parametric）的方法，也就是假设这些群组符合Gaussian分布。以

Source: http://www.r-bloggers.com/parametric-method-for-the-study-of-the-correlation-the-pearson-r-test/ 假如你想要研究两个数据集之间是否有相关性。我们需要计算Pearson product-moment correlation coefficient，这是一个在两个变量X和Y之间的相关

Source:  http://www.r-bloggers.com/one-sample-students-t-test/ 当总体方差不知道时，将样本平均与一个已知值比较。在10个主体中进行了智力测试，并获得相应结果。总体的平均结果为75。你想要检测样本均值与总体平均是否显著相似（当显著水平为95%时），假设总体的方差不知道。65, 78, 88, 55, 48, 95, 6

Source: http://www.r-bloggers.com/two-sample-students-t-test-1/t-Test用来比较两个群组的均值，这里假设两个样本组都随机、独立，并且来自方差未知但相等的正态分布的总体。这里我们使用和《两个样本的Z-test》中一样的数据，如下：A: 175, 168, 168, 190, 156, 181, 182, 175, 174,

Source: http://www.r-bloggers.com/two-sample-students-t-test-2/两个独立群组平均的比较，这里的两个群组从两个方差未知且样本方差不同质的总体抽取。我们想比较两个个体群组的身高，单位inches。这里是测量数据：A: 175, 168, 168, 190, 156, 181, 182, 175, 174, 179B: 120

Source: http://www.r-bloggers.com/wilcoxon-mann-whitney-rank-sum-test-or-test-u/ 比较两个独立样本群组的平均值，这里不需要假设总体为Gaussian类型分布；这也称作Mann-Whitney U-test你想要看看两个足球队在一年进球数均值是否一样。以下为每个队在一年6场比赛中的进球数：Team A:

Source: http://www.r-bloggers.com/comparison-of-two-proportions-parametric-z-test-and-non-parametric-chi-squared-methods/ 考虑以下问题的例子。赌博公司所有人想验证用户是否在欺诈。为此他想比较某个玩家的成功次数和某个雇员的成功次数，从而确定其是否欺骗。在一个月时间内，玩家

Source: http://www.r-bloggers.com/kruskal-wallis-one-way-analysis-of-variance/ 如果你在进行多个群组之间比较时，因为群组不满足正态分布而不能使用ANOVA多比较，那么你可以使用Kruskal-Wallis检验。该检验类似于前面两个样本的Wilcox检验。假设你想看看以下4个数值集合的均值是否统计相似：Gr

Source: http://www.r-bloggers.com/non-parametric-methods-for-the-study-of-the-correlation-spearmans-rank-correlation-coefficient-and-kendall-tau-rank-correlation-coefficient/ 在前面的帖子中我们看到，如何用Pearso

最近在看R-language的资料，其中有区组设计（block design）的例子，查了好些资料才搞懂。这里分享其定义和性质。例子 任何的数学问题，都是从实际的应用中提炼而来。因而，我们介绍所谓的定义和概念，最好的切入点就是实例了。 例1：（Kirkman女生问题）15名女生，每天3人一组外出散步。教师需要安排一种分组方案，使得一周7天中，任意两个女生恰分在同一组一次

Source: http://www.r-bloggers.com/paired-students-t-test/两个配对样本集的均值比较，从两个方差未知的总体中抽取。一个学校竞技队请了新的教员，想通过比较10个运动员在100米跑步中的平均时间来测试新建议的训练类型的有效性。以下数据是每个运动员在训练前后的时间，以秒计：Before training: 12.9, 13.5, 12.8

Source: http://www.r-bloggers.com/wilcoxon-signed-rank-test/ 非参数的统计假设检验，用于比较两个配对样本之间的均值。一个城市的市长想要看看在关闭一些街道对汽车的通行后污染层度是否有所减少。于是每60分钟就测量一次污染率（8am ~ 22pm：总共15次测量），分别在交通开放的一天和交通关闭的一天各测量一组，以下是空气污染的值：

Source: http://www.r-bloggers.com/contingency-table-and-the-study-of-the-correlation-between-qualitative-variables-pearsons-chi-squared-test/ 如果你有定性的变量（qualitative variable），可通过研究列联表（contingency t

Source: http://www.r-bloggers.com/one-sample-z-test/ 在知道总体平均和标准差时的样本平均的比较假设有10个自愿者进行了智力测试，这里有获得的结果。在同样测试的总体平均为75。你希望检测在样本和总体平均之间是否有统计上的显著差异（显著水平为95%），这里假设样本方差已知等于18.65, 78, 88, 55, 48, 95, 66,