Критерий Пейджа

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Литература)
(Описание критерия)
Строка 18: Строка 18:
При <tex>n > 10</tex> распределение <tex>L(n, k)</tex> можно аппроксимировать нормальным:
При <tex>n > 10</tex> распределение <tex>L(n, k)</tex> можно аппроксимировать нормальным:
-
::<tex>L(n, k) \~ N(\frac{nk(k+1)^2}4, \frac{n(k^3-k)^2}{144(k-1)})</tex>.
+
::<tex>L(n, k) \sim N(\frac{nk(k+1)^2}4, \frac{n(k^3-k)^2}{144(k-1)})</tex>.
==Литература==
==Литература==

Версия 11:42, 7 января 2009

Критерий Пейджа является непараметрическим критерием, предназначенным для проверки однородности статистических даннных.

Содержание

Описание критерия

Дано kn наблюдений x_{ij}, где 1 \le i \le n, 1 \le j \le k, . Через H_0 обозначим гипотезу о равенстве средних для каждой из k групп:

\bar{x_1}=\dots=\bar{x_k}.

Для каждого i, где 1 \le i \le n, упорядочим последовательность

x_{i1}, x_{i2}, \dots, x_{ik}.

Ранг элемента x_{ij} внутри такой последовательности обозначим через r_{ij}. Очевидно,

1 \le r_{ij} \le k.

Статистика критерия имеет вид

L = \sum_{j=1}^k jR_j,

где

R_j = \sum_{i=1}^n r_{ij}.

Гипотеза H_0 принимается, если L < L_\alpha(n, k). Критические значения L_\alpha(n, k) находятся при помощи интерполяции табличных данных.

При n > 10 распределение L(n, k) можно аппроксимировать нормальным:

L(n, k) \sim N(\frac{nk(k+1)^2}4, \frac{n(k^3-k)^2}{144(k-1)}).

Литература

  1. Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006. — 816 с.
  2. Page E. B. Ordered hypotheses for multiple treatments: A significance test for linear ranks // JASA. 1963. V. 58. P. 216-230.

См. также

Ссылки

Личные инструменты