WFiIS-STATwMED-7-Testy

Testy nieparametryczne Statystyka w medycynie Dr inż. Janusz Majewski Katedra Informatyki

Testy nieparametryczne Testy nieparametryczne nie dotyczą poszczególnych parametrów rozkładu, ale istoty rozkładów jako całości. Nie ma przy tym żadnych założeń o typie rozkładu. Stosujemy jej gdy między innymi: 1) może istnieć oczywista nienormalność rozkładu, 2) może istnieć przypuszczalna nienormalność rozkładu, czasem nawet znacznego stopnia, ale liczebność próby może być zbyt mała, aby to ustalić, 3) potrzebna jest szybka metoda statystyczna, wymagająca niewielkiej ilości obliczeń, 4) pomiar ma charakter jakościowy, tworzy, np. szereg rangowy lub istotne są tylko znaki, 5) nie są spełnione założenia związane z rozkładem (parametrami rozkładu lub typem rozkładu), co uniemożliwia przeprowadzenie testu parametrycznego.

Badanie charakteru rozkładu Test λ-Kołmogorowa Służy on do zweryfikowania hipotezy, że populacja ma określony typ rozkładu. Wymaga się, aby populacja badana miała rozkład ciągły o dystrybuancie F(x). Na podstawie wyników próby o liczebności N (N co najmniej kilkadziesiąt!) wylosowanej niezależnie chcemy zweryfikować hipotezę zerową, że dystrybuanta badanej populacji F(x) jest identyczna z dystrybuantą pewnego konkretnego hipotetycznego rozkładu ciągłego F0(x), czyli

H0: F(x)=F0(x) H1: F(x)F0(x)

Badanie charakteru rozkładu Test λ-Kołmogorowa Wyniki próby należy uporządkować w kolejności rosnącej i pogrupować w stosunkowo wąskie przedziały o prawych końcach xj. Liczebność j-tego przedziału oznaczamy nj. Dla każdej wartości xj wyznaczamy wartość dystrybuanty empirycznej (z próby) Fe(x) według wzoru: 𝐹𝑒 𝑥𝑗 =

𝑖≤𝑗

𝑁

𝑛𝑖

Badanie charakteru rozkładu Test λ-Kołmogorowa Z rozkładu hipotetycznego wyznaczamy następnie dla każdego xj wartość teoretycznej dystrybuanty F0(x). Dla każdego xj obliczamy bezwzględną wartość odchylenia dystrybuanty empirycznej od teoretycznej 𝐹𝑒 𝑥𝑗 − 𝐹0 𝑥𝑗 . Dalej wyznaczamy wartość maksymalnego modułu odchylenia 𝐷 = 𝑚𝑎𝑥 𝐹𝑒 𝑥𝑗 − 𝐹0 𝑥𝑗 𝑥𝑗 oraz wartość statystyki λ 𝜆=𝐷 𝑁

Badanie charakteru rozkładu Test λ-Kołmogorowa Statystyka ta przy założeniu prawdziwości H0 ma rozkład λ-Kołmogorowa (niezależny od postaci dystrybuanty teoretycznej F0(x)). Odrzucamy H0, gdy 𝜆 ≥  (wartość krytyczna αλ odczytywana z tablic) αλ

α

1,224 1,358 1,627 1,731 1,950

0,1 0,05 0,01 0,005 0,001

Badanie charakteru rozkładu Test λ-Kołmogorowa Jeśli chcemy sprawdzić normalność rozkładu populacji przy użyciu testu λ-Kołmogorowa, obliczamy 𝑥 oraz s z próby. Jeśli próba jest duża, można przyjąć, że 𝜇 = 𝑥 , 𝜎 = 𝑠. Dokonujemy standaryzacji wartości xj dla końców przedziału. 𝑥𝑗 − 𝑥 𝑢𝑗 = 𝑠 i obliczamy wartości dystrybuanty empirycznej 𝐹𝑒 𝑢𝑗 =

𝑖≤𝑗

𝑛𝑖

𝑁

i następnie z tablic odczytujemy wartości dystrybuanty rozkładu normalnego 𝐹0 (𝑢𝑗 ). Dalej jak poprzednio.

Badanie charakteru rozkładu Test λ-Kołmogorowa Przykład: Zbadano 200 próbek osocza krwi (pobranych od pacjentów bez anemii) oznaczając w każdej ilość tzw. azotu pozabiałkowego. 𝑥 = 32,9

𝑠 = 1,4

Zawartość azotu [mg% N] 29,5- 30,5

xj

uj

nj

Liczebność skumulowana

Fe(uj)

F0(uj)

Dj

30,5

-1,71

12

12

0,060

0,044

0,016

30,5- 31,5

31,5

-1,00

23

35

0,175

0,159

0,016

31,5- 32,5

32,5

-0,29

35

70

0,350

0,386

0,036 !

32,5- 33,5

33,5

0,43

62

132

0,660

0,666

0,006

33,5- 34,5

34,5

1,14

44

176

0,880

0,873

0,007

34,5- 35,5

35,5

1,86

18

194

0,970

0,969

0,001

35,5- 36,5

36,5

2,57

6

200

1,000

0,995

0,005

Badanie charakteru rozkładu Test λ-Kołmogorowa Zawartość azotu [mg% N] 29,5- 30,5

xj

uj

nj

Liczebność skumulowana

Fe(uj)

F0(uj)

Dj

30,5

-1,71

12

12

0,060

0,044

0,016

30,5- 31,5

31,5

-1,00

23

35

0,175

0,159

0,016

31,5- 32,5

32,5

-0,29

35

70

0,350

0,386

0,036 !

32,5- 33,5

33,5

0,43

62

132

0,660

0,666

0,006

33,5- 34,5

34,5

1,14

44

176

0,880

0,873

0,007

34,5- 35,5

35,5

1,86

18

194

0,970

0,969

0,001

35,5- 36,5

36,5

2,57

6

200

1,000

0,995

0,005

𝜆 = 𝐷 ∙ 𝑁 = 0,036 ∙ 200 = 0,509 <

0,05

𝜆 = 1,358

Nie ma podstaw kwestionowania normalności

Badanie charakteru rozkładu Test zgodności χ2 Dzielimy przedział zmienności na k rozłącznych klas (najlepiej, aby w każdej klasie znalazła się podobna liczba danych). Oznaczamy przez nj liczebność j-tej klasy, przy czym: 𝑘

𝑁=

𝑛𝑗 𝑗 =1

Po dokonaniu podziału określa się prawdopodobieństwa pj, z jakimi, przy założeniu że rozkład jest zgodny z hipotetycznie zakładanym, zmienna losowa przyjmowałaby wartości z poszczególnych klas. W tym celu należy najpierw wyznaczyć na podstawie próby parametry rozkładu hipotetycznego, a następnie z tablic ustalić odpowiednie wartości prawdopodobieństw teoretycznych pj. Dalej wyznaczamy statystykę χ2 𝑘

𝜒2 = 𝑗 =1

𝑛𝑗 − 𝑁𝑝𝑗 𝑁𝑝𝑗

2

Badanie charakteru rozkładu Test zgodności χ2 Statystyka ta ma w przybliżeniu rozkład χ2 o k-r-1 stopniach swobody, przy czym r jest liczbą parametrów rozkładu szacowanych z próby (dla rozkładu normalnego r=2 : średnia i odchylenie standardowe). Odrzucamy H0 o zgodności rozkładu teoretycznego i empirycznego, gdy 2 𝜒 2 ≥∝ 𝜒(𝑘−𝑟−1) .

Badanie charakteru rozkładu Test zgodności χ2 Przykład: Zweryfikować testem χ2 normalność rozkładu danych wieku pacjentów z nowotworem płuc w pewnym szpitalu.

Gdyby była taka możliwość należałoby tak wybrać granice przedziałów, aby liczebności w klasach były podobne. Tutaj nj dla grupy wiekowej 25-35 jest niekorzystnie małe!

Badanie charakteru rozkładu Test zgodności χ2 𝟐

𝑵𝒋 − 𝑵𝒑𝒋 𝑵𝒑𝒋

Wiek

nj

xj

uj

F(uj)

pj

Npj

𝒏𝒋 − 𝑵𝒑𝒋

25-35

17

35

-2,490

0,0064

0,0064

8,68

69,14

7,96

35-45 45-55 55-65 65-75

116 493 545 186 1357

45 55 65 75

-1,282 -0,073 1,137 -------

0,1003 0,4721 0,8729 1,0000

0,0929 0,3718 0,4008 0,1271 1

127,56 504,80 544,16 172,34

133,63 139,24 0,71 186,60

1,05 0,28 0,00 1,08 10,37

Razem

𝟐

Badanie charakteru rozkładu Test zgodności χ2 Liczba stopni swobody = 5-2-1=2 𝜒 2 = 10,37 2 𝜒 0,05 2 = 5,99

2 𝜒 0,01 2 = 9,21

2 𝜒 ≥ 𝜒𝑘𝑟𝑦𝑡 𝑑𝑙𝑎 𝛼 = 0,01

Hipotezę o normalności rozkładu trzeba odrzucić!!

Badanie charakteru rozkładu Test normalności Shapiro-Wilka • Test normalności Shapiro-Wilka może być używany nawet w przypadku prób o niewielkiej liczebności. • Testowane hipotezy: H0: populacja, z której wylosowano próbę, ma rozkład normalny H1: populacja nie ma rozkładu normalnego • Dane: n – liczebność próby, x(1), x(2), …, x(n) – uporządkowana według wartości rosnących próba pobrana z populacji o ciągłej dystrybuancie,  - poziom istotności

Badanie charakteru rozkładu Test normalności Shapiro-Wilka Statystyka testu:

  W

 n2  i 1

ai (n)( x( n i 1)  x( i ) ) 2 ( x  x )  i 1 i n

gdzie:  n2 



2

– część całkowita n/2

ai(n) – stablicowane współczynniki Shapiro-Wilka, zależne od liczebności próby n oraz i i\n 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6

0,7071 0,7071 0,6872 0,6646 0,6431 0,6233 0,6052 0,5888 0,5739 0,5601 0

0,1677 0,2413 0,2806 0,3031 0,3164 0,3244 0,3291 0,3315 0

0,0875 0,1401 0,1743 0,1976 0,2141 0,2260 0

0,0564 0,0947 0,1224 0,1429 0

0,0399 0,0695 0

Badanie charakteru rozkładu Test normalności Shapiro-Wilka i\n

12

13

14

15

16

17

18

19

20

21

1

0,5475 0,5359 0,5251 0,5150 0,5056 0,4968 0,4886 0,4808 0,4734 0,4643

2

0,3325 0,3325 0,3318 0,3306 0,3290 0,3273 0,3253 0,3232 0,3211 0,3185

3

0,2347 0,2412 0,2460 0,2495 0,2521 0,2540 0,2553 0,2561 0,2565 0,2578

4

0,1586 0,1707 0,1802 0,1878 0,1939 0,1988 0,2027 0,2059 0,2085 0,2199

5

0,0922 0,1099 0,1240 0,1353 0,1447 0,1524 0,1587 0,1641 0,1686 0,1736

6

0,0303 0,0539 0,0727 0,0880 0,1005 0,1109 0,1197 0,1271 0,1334 0,1399

7 8 9 10 11

0

0,0240 0,0433 0,0593 0,725 0,0837 0,0932 0,1013 0,1092 0

0,0196 0,0359 0,0496 0,0612 0,0711 0,0804 0

0,0130 0,0303 0,0422 0,0530 0

0,0140 0,0263 0

Badanie charakteru rozkładu Test normalności Shapiro-Wilka • Hipotezę zerową odrzucamy, gdy obliczone W  W(,n) gdzie: W(,n) - odczytana z tablicy wartość krytyczna testu Shapiro-Wilka Uwaga: nie zależy nam na odrzuceniu hipotezy zerowej, czyli jeśli rozkład ma być zbliżony do normalnego, to oczekujemy, aby W > W(,n)

• Fragment tablicy wartości krytycznych testu Shapiro-Wilka (na następnym slajdzie)

Badanie charakteru rozkładu Test normalności Shapiro-Wilka n\ 3

0,01

0,02

0,05

0,1

0,753

0,756

0,767

0,789

4

0,687

0,707

0,748

0,792

5

0,686

0,715

0,762

0,806

6

0,713

0,743

0,788

0,826

7

0,730

0,760

0,803

0,838

8

0,749

0,778

0,818

0,851

9

0,764

0,791

0,829

0,859

10

0,781

0,806

0,842

0,869

11

0,792

0,817

0,850

0,876

12

0,805

0,828

0,859

0,883

13

0,814

0,837

0,866

0,889

14

0,825

0,846

0,874

0,895

15

0,835

0,855

0,881

0,901

16

0,844

0,863

0,887

0,906

17

0,851

0,869

0,892

0,910

18

0,858

0,874

0,897

0,914

19

0,863

0,879

0,901

0,917

20

0,868

0,884

0,905

0,920

21

0,873

0,888

0,908

0,923

Badanie charakteru rozkładu Test normalności Shapiro-Wilka Przykład: Zebrano i posortowano niemalejąco 20 obserwacji charakteryzujących wskaźnik masy ciała (BMI) badanych pacjentów. Aby przeprowadzić analizę statystyczną musimy dowiedzieć się, czy rozkład tej cechy jest rozkładem normalnym. BMI = [21,7; 22,5; 23,1; 23,6; 24,2; 24,5; 24,6; 25,5; 25,7; 25,9; 26,2; 26,4; 27,1; 27,3; 27,3; 27,7; 28,1; 30,4; 30,7; 31,2] Aby obliczyć wartość statystyki testowej dla testu Shapiro-Wilka musimy wyznaczyć następujące wartości:

Badanie charakteru rozkładu Test normalności Shapiro-Wilka

𝑥=

21,7 + ⋯ + 31,2 = 26,185 20

20

(𝑥𝑖 − 𝑥 )2 = (21,7 − 26,185)2 + ⋯ + (31,2 − 26,185)2 = 132,6055 𝑖=1

Badanie charakteru rozkładu Test normalności Shapiro-Wilka Statystyka testowa W przyjmie zatem wartość: 128,2703 𝑊= = 0,9673 132,6055 Dla α=0,05 i dla n=20 , stablicowana wartość krytyczna wynosi W(0,05;20)=0,905 . A zatem zachodzi nierówność W > W(α,n) , co oznacza, że nie ma podstaw do odrzucenia hipotezy o normalności rozkładu badanych danych.

Porównywanie populacji Test Wilcoxona (sumy rang) dla danych niesparowanych Z dwóch populacji wylosowano niezależne próby losowe o liczebnościach N1 i N2 odpowiednio. Zakłada się, że istnieje możliwość ustawienia obserwacji z jednej i drugiej próby w jednym wspólnym szeregu, przy czym można obserwacje te uporządkować według pewnego porządku (nadać im rangi). Rangi powinny być liczbami od 1 do 𝑁 = 𝑁1 + 𝑁2 . Dopuszczalne są tzw. rangi wiązane (kilka obserwacji jest sklasyfikowanych na „tym samym miejscu”wówczas wartość liczbowa rangi musi być odpowiednią średnią).

H0: Próby wylosowano z populacji o tych samych rozkładach H1: Próby wylosowano z populacji o różnych rozkładach Obliczamy sumy rang dla próby pierwszej i drugiej osobno. Porównujemy mniejszą z tych sum z wartością krytyczną z tablic. Hipotezę zerową odrzucamy, gdy suma rang jest MNIEJSZA(!) od wartości krytycznej.

Porównywanie populacji Test Wilcoxona (sumy rang) dla danych niesparowanych Wartości krytyczne dla testu sumy rang Wilcoxona dla danych niesparowanych nA

4

nB 4 5 6 7 8 9 10 11 12

 = 0,01 10 11 11 12 13 13 14 15

 = 0,05 11 12 13 14 15 16 17 18 19

nA

5

nB 5 6 7 8 9 10 11 12

 = 0,01 16 17 18 19 20 21 22 23

 = 0,05 19 20 21 23 24 26 27 28

Porównywanie populacji Test Wilcoxona (sumy rang) dla danych niesparowanych Przykład: Badano, jaką część budżetu centrów onkologicznych (badania nad rakiem, diagnozowanie i terapia, edukacja publiczna, rehabilitacja, udogodnienia dla ciężko chorych i umierających) stanowią koszty diagnozowania i terapii. Według tego chciano porównać lecznictwo onkologiczne w Europie Zachodniej i Wschodniej. H0: Nie ma różnicy w poziomie wydatków na diagnozowanie i leczenie raka (w stosunku do całkowitego budżetu centrów onkologicznych) między Europą Zachodnią i Wschodnią (1985 r.) H1: Są różnice w poziomie wydatków na diagnozowanie i leczenie raka między Europą Zachodnią i Wschodnią

Porównywanie populacji Test Wilcoxona (sumy rang) dla danych niesparowanych Poziomy wydatków (%) Ranga Kwalifikacja 40 1 WE 61 2 WE 64 3 EE 68 4 WE 75 5 EE 80 6 WE 82 7 WE 88 8 WE 91 9 EE 93 10 ½ EE 93 10 ½ WE 98 12 EE 99,8 13 WE

Porównywanie populacji Test Wilcoxona (sumy rang) dla danych niesparowanych EE: 𝑁1 = 5 𝑟𝑎𝑛𝑔 𝐸𝐸 = 3 + 5 + 9 + 10,5 + 12 = 39,5 23 NIE MA PODSTAW DO ODRZUCENIA H0 !

Porównywanie populacji Test sumy rang Wilcoxona dla danych połączonych w pary Dane tworzą pary obserwacji związane z pewnym obiektem (np. pacjentem). Różnice między obserwacjami z danej pary dają się uporządkować i można im przypisać rangi. Wyznaczamy rangi różnic bez uwzględniania znaków różnic, po czym sumujemy oddzielnie rangi różnic dodatnich, oddzielnie rangi różnic ujemnych, nie biorąc pod uwagę różnic równych zero. (N’ – liczba wszystkich par w próbie; N – liczba par, dla których różnice ≠ 0) Wybieramy mniejszą z sum rang i porównujemy ją z wartością krytyczną dla danego poziomu istotności i dla danego N. Jeśli suma rang jest MNIEJSZA(!) od wartości krytycznej, odrzucamy hipotezę H0 mówiącą, że: populacje, z których otrzymano pierwsze i drugie elementy par, mają takie same rozkłady. Podobnie jak poprzednio dopuszczalne są tzw. rangi wiązane; wówczas wartości liczbowe rang są odpowiednimi średnimi.

Porównywanie populacji Test sumy rang Wilcoxona dla danych połączonych w pary Wartości krytyczne testu Wilcoxona dla danych połączonych w pary N 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

 = 0,05 0 2 4 6 8 11 14 17 21 25 30 35 40 46 52

 = 0,02 0 2 3 5 7 10 13 16 20 24 28 33 38 43

 = 0,01 0 2 3 5 7 10 13 16 20 23 28 32 38

Porównywanie populacji Test sumy rang Wilcoxona dla danych połączonych w pary Przykład: Czternastu pacjentów z rakiem głowy lub szyi leczono dwoma metodami (sekwencyjnie przez trzy miesiące, kolejność losowa). Metoda A: radioterapia + lek Metoda B: radioterapia + placebo Efekty oznaczono wg skali 5 punktowej: 1- rozwój choroby 2- bez zmian 3- częściowy regres guza 4- całkowity regres z nawrotem 5- całkowity regres bez nawrotu Porównać oba sposoby leczenia

Porównywanie populacji Test sumy rang Wilcoxona dla danych połączonych w pary Pacjent 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Leczenie A 3 3 2 5 5 5 2 5 5 5 1 5 5 5

Leczenie B 5 2 1 2 1 4 1 4 2 4 1 5 5 5

|Różnica| Ranga Ranga ze znakiem 2 7 -7 1 3,5 +3,5 1 3,5 +3,5 3 8,5 +8,5 4 10 +10 1 3,5 +3,5 1 3,5 +3,5 1 3,5 +3,5 3 8,5 +8,5 1 3,5 +8,5 0 0 Nie uwzględniamy 0 0

Porównywanie populacji Test sumy rang Wilcoxona dla danych połączonych w pary 𝑁 ′ = 14 𝑁 = 14 − 4 = 10 𝑟𝑎𝑛𝑔 𝑢𝑗𝑒𝑚𝑛𝑦𝑐ℎ = 7 𝑟𝑎𝑛𝑔 𝑑𝑜𝑑𝑎𝑡𝑛𝑖𝑐ℎ = 48 Wartość krytyczna dla α=0,05 i dla N=10 wynosi 8 Ponieważ 7 < 8 H0 o równości rozkładów ODRZUCAMY!

Porównywanie populacji Test sumy rang dla kilku prób Test ten jest „analogiem” nieparametrycznym analizy wariancji, nazywany jest też testem Kruskala-Wallisa. Sprawdza się hipotezę, że k prób pochodzi z populacji o identycznych rozkładach, tzn.: 𝐻0 : 𝐹1 𝑥 = 𝐹2 𝑥 = ⋯ = 𝐹𝑘 (𝑥) H1: Nie wszystkie dystrybuanty porównywanych rozkładów są identyczne Założenie: rozkłady testowanych populacji są ciągłe 𝑛𝑖 – liczebność i-tej próby 𝑁 = 𝑘𝑖=1 𝑛𝑖 – liczebność całkowita Wszystkie N obserwacji ustawiamy w jeden szereg nadając im rangi od najmniejszej- najniższa ranga (na ogół =1) do największej. Następnie dla każdej i-tej próby obliczamy Ti – sumę rang obserwacji należących do tej próby.

Porównywanie populacji Test sumy rang dla kilku prób Obliczamy wartość statystyki χ2 12 2 𝜒 = 𝑁(𝑁 + 1)

𝑘

𝑖=1

𝑇𝑖 2 − 3(𝑁 + 1) 𝑛𝑖

2 Statystyka ta ma przy założeniu prawdziwości H0 rozkład zbliżony do 𝜒(𝑘−1) .

Hipotezę zerową odrzucamy, gdy 2 𝜒 2 ≥ 𝛼 𝜒(𝑘−1)

Porównywanie populacji Test sumy rang dla kilku prób Przykład: Załóżmy, że przeprowadzono badania w celu porównania 4 metod leczenia pewnej choroby. Pobrano 5-elementowe próby losowe spośród chorych na daną chorobę, których leczono odpowiednio metodą I, II, III i IV. Wyniki terapii oceniono w specjalnym teście. Wartości testu podane w umownej punktacji przedstawia poniższa tabela. Podano w niej też rangi nadane wynikom obserwacji. Metoda I

Rangi

Metoda II

Rangi

Metoda III

Rangi

Metoda IV

Rangi

57

2

74

20

63

8,5

62

6,5

58

3

66

11,5

68

15

63

8,5

67

13

65

10

59

4,5

66

11,5

50

1

72

19

59

4,5

71

18

62

6,5

68

15

68

15

70

17

25,5

75,5

47,5

61,5

Porównywanie populacji Test sumy rang dla kilku prób W podanym przykładzie chcemy zweryfikować hipotezę, że wszystkie metody leczenia dają jednakowe wyniki. Musimy więc zastosować test sprawdzający hipotezę, że k niezależnych próbek pochodzi z tej samej populacji. Użyjemy w tym celu testu sumy rang Kruskala-Wallisa. 𝜒 2 = 7,841454 2 0.05 𝜒(3)

= 7,81

𝜒2 ≥

2 0.05𝜒(3)

czyli odrzucamy hipotezę zerową. Na podstawie wyników analizy można wyciągnąć wniosek, że metody leczenia mają statystycznie istotny wpływ na wynik terapii.

Porównywanie populacji Korelacja rang Spearmana Przypuśćmy, że dla każdego N obiektów dokonuje się obserwacji dwu zmiennych x i y. Czasami nie możemy zastosować analizy regresji liniowej i korelacji, gdyż:  zależność nie jest liniowa,  nie dysponujemy dokładnymi pomiarami ilościowymi zmiennych, choć potrafimy je uporządkować (nadać im rangi)  istnieje uzasadnione podejrzenie o nienormalności rozkładu dwuwymiarowego (x, y )

Porównywanie populacji Korelacja rang Spearmana Można wtedy wyznaczyć rangi obiektów względem dwu rozważanych kryteriów x i y i obliczyć współczynnik korelacji rS Spearmana

𝑟𝑆 = 1 −

6

𝑁 𝑖=1

𝑁

(𝑥) (𝑦) 2 𝑟𝑖 − 𝑟𝑖 𝑁2 − 1

N- liczebność próby (𝑥)

𝑟𝑖

(𝑦)

, 𝑟𝑖

- rangi i-tego obiektu względem odpowiednio kryteriów x i y.

Współczynnik rS zachowuje się podobnie jak współczynnik korelacji Pearsona r czyli −1 ≤ 𝑟𝑆 ≤ 1

Porównywanie populacji Korelacja rang Spearmana Test istotności: tablica wartości krytycznych N 4 i mniej 5 6 7 8 9 lub więcej

α=0,05 α=0,01 1,0 0,886 1,0 0,750 0,893 0,714 0,857 jak dla zwykłego r Pearsona badanego testem t-Studenta przy N – 2 stopniach swobody

H0: rS = 0 H1: rS ≠ 0 H0 odrzucamy, gdy 𝑟𝑆 ≥

∝𝑟𝑆(𝑘𝑟𝑦𝑡 )

Porównywanie populacji Korelacja rang Spearmana Przykład: Po zakończeniu zajęć z psychologii klinicznej asystent uszeregował studentów według dwóch kryteriów: przydatności do zawodu (x) oraz znajomości psychologii (y). Czy korelacja między tymi kryteriami jest istotna?

Student

A

B

C

D

E

F

G

H

I

J

Ranga wg przydatności do zawodu (x)

4

10

3

1

9

2

6

7

8

5

Ranga wg znajomości psychologii (y)

5

8

6

2

10

3

9

4

7

1

Porównywanie populacji Korelacja rang Spearmana N = 10 𝑟𝑆 = 1 − 𝑟𝑆 = 1 −

6

(𝑥) (𝑦) 2 𝑟1 − 𝑟𝑖 𝑁 𝑁2 − 1

6 1 + 4 + 9 + 1 + 1 + 1 + 9 + 9 + 1 + 16 = 0,685 10 100 − 1

Korzystamy z testu t, gdyż N ≥ 9 𝑁−2 8 𝑡=𝑟 = 0,685 1 − 𝑟2 1 − 0,685 0,05 𝑡(8)

2

= 2,662

= 2,306

Ponieważ 𝑡 ≥ 𝑡𝑘𝑟𝑦𝑡 dla α=0,05, więc odrzucamy hipotezę zerową o braku korelacji między obydwoma klasyfikacjami.