R语言和医学统计学（4）：秩和检验

本文首发于公众号：医学和生信笔记，完美观看体验请至公众号查看本文。

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。

前言

这是R语言和医学统计学的第4篇内容。

主要是用R语言复现课本中的例子。我使用的课本是孙振球主编的《医学统计学》第4版，封面如下：

配对样本比较的Wilcoxon符号秩检验

使用课本例8-1的数据，自己手动摘录：

test1<-c(60,142,195,80,242,220,190,25,198,38,236,95)
test2<-c(76,152,243,82,240,220,205,38,243,44,190,100)
1
2

两列数据，和配对t检验的数据结果完全一样。

简单看一下数据情况：

boxplot(test1,test2)
1

进行秩和检验：

wilcox.test(test1,test2,paired = T,alternative = "two.sided",exact = F, correct = F)
## 
## 	Wilcoxon signed rank test
## 
## data:  test1 and test2
## V = 11.5, p-value = 0.05581
## alternative hypothesis: true location shift is not equal to 0
1
2
3
4
5
6
7

结果和课本一致！

两独立样本比较的Wilcoxon符号秩检验

和两样本t检验的数据格式完全一样！

使用课本例8-3的数据，自己手动摘录。。

RD1<-c(2.78,3.23,4.20,4.87,5.12,6.21,7.18,8.05,8.56,9.60)
RD2<-c(3.23,3.50,4.04,4.15,4.28,4.34,4.47,4.64,4.75,4.82,4.95,5.10)
1
2

进行两独立样本比较的Wilcoxon符号秩检验：

wilcox.test(RD1,RD2,paired = F, correct = F)
## 
## 	Wilcoxon rank sum test
## 
## data:  RD1 and RD2
## W = 86.5, p-value = 0.08049
## alternative hypothesis: true location shift is not equal to 0
1
2
3
4
5
6
7

结果取单侧检验，还是和课本一致！

完全随机设计多个样本比较的 Kruskal-Wallis H 检验

使用课本例8-5的数据，手动摘录：

rm(list = ls())
death_rate <- c(32.5,35.5,40.5,46,49,16,20.5,22.5,29,36,6.5,9.0,12.5,18,24)
drug <- rep(c("Drug_A","drug_B","drug_C"),each=5)
mydata <- data.frame(death_rate,drug)

str(mydata)
## 'data.frame':	15 obs. of  2 variables:
##  $ death_rate: num  32.5 35.5 40.5 46 49 16 20.5 22.5 29 36 ...
##  $ drug      : chr  "Drug_A" "Drug_A" "Drug_A" "Drug_A" ...
1
2
3
4
5
6
7
8
9

数据一共2列，第1列是死亡率，第2列是药物（3种）。

简单看下数据：

boxplot(death_rate ~ drug, data = mydata)
1

进行 Kruskal-Wallis H 检验：

kruskal.test(death_rate ~ drug, data = mydata)
## 
## 	Kruskal-Wallis rank sum test
## 
## data:  death_rate by drug
## Kruskal-Wallis chi-squared = 9.74, df = 2, p-value = 0.007673
1
2
3
4
5
6

算出来结果和课本一致！

随记区组设计多个样本比较的 Friedman M 检验

使用课本例8-9的数据：

df <- foreign::read.spss("E:/各科资料/医学统计学/研究生课程/6非参数检验18-9研/例08-09.sav", to.data.frame = T)

str(df)
## 'data.frame':	8 obs. of  4 variables:
##  $ 频率A: num  8.4 11.6 9.4 9.8 8.3 8.6 8.9 7.8
##  $ 频率B: num  9.6 12.7 9.1 8.7 8 9.8 9 8.2
##  $ 频率C: num  9.8 11.8 10.4 9.9 8.6 9.6 10.6 8.5
##  $ 频率D: num  11.7 12 9.8 12 8.6 10.6 11.4 10.8
1
2
3
4
5
6
7
8

数据一共4列，分别是4中不同频率下的反应率。

简单看下数据：

boxplot(df$频率A,df$频率B,df$频率C,df$频率D)
1

进行 Friedman M 检验前先把数据格式转换一下：

M <- as.matrix(df) # 变成矩阵
1

进行 Friedman M 检验：

friedman.test(M)
## 
## 	Friedman rank sum test
## 
## data:  M
## Friedman chi-squared = 15.152, df = 3, p-value = 0.001691
1
2
3
4
5
6

结果和课本一致！

本文首发于公众号：医学和生信笔记，完美观看体验请至公众号查看本文。

医学和生信笔记，专注R语言在临床医学中的使用，R语言数据分析和可视化。