R语言曼-惠特尼U检验

一个流行的非参数（无分布）测试是 曼-惠特尼U测试， 用于比较两个独立组之间的结果。当比较两个独立样本时，当结果不是正态分布且样本较小时，非参数检验是合适的。它被用来查看两个独立变量之间的分布差异，其依据是一个序数（具有内在顺序或等级的分类变量）因变量。在R编程中执行这个测试是非常容易的。

在R编程中实现曼-惠特尼U测试

假设我们的数据中有两种灯泡，比如橙色和红色，这些灯泡是按每天的基本价格划分的。因此，这里的基本价格是红色和橙色这两个类别的因变量。因此，我们将尝试分析，如果我们想买一个红色或橙色的灯泡，我们应该在价格的基础上选择哪一个。如果两个分布相同，那么这意味着 无效假设 （意味着两者之间没有明显的差异）是真实的，我们可以购买其中的任何一个，价格并不重要。为了理解曼-惠特尼U检验的概念，我们需要知道什么是 P值。 这个值实际上告诉我们是否可以拒绝我们的无效假设（0.5）。下面是上述例子的实现。

方法

制作一个有两个分类变量的数据框架，其中一个是序数型的。
之后，通过加载软件包 dplyr 和 summarise() 来检查非序数分类变量的汇总。使用 median() ，得到中位数，并传递灯泡价格列，IQR-四分位数范围，以及两组的计数，即 红色和橙色灯泡。
然后，在安装软件包 ggpubr 和使用 ggboxplot() 的帮助下，查看Bowxplot，并在x和y中传递列作为参数，在 调色板 的帮助下给它们颜色并传递颜色代码。
然后最后应用 wilcox.test() ，得到p值。
如果发现p值小于0.5，那么 无效假设 将被拒绝。
如果我们发现该值大于0.5，那么 无效假设 将被接受。
wilcox.test() 函数将两个分类变量、数据框架作为参数，并给我们提供假设 p-value 。

# R program to illustrate
# Mann Whitney U Test
 
# Creating a small dataset
# Creating a vector of red bulb and orange prices
red_bulb <- c(38.9, 61.2, 73.3, 21.8, 63.4, 64.6, 48.4, 48.8)
orange_bulb <- c(47.8, 60, 63.4, 76, 89.4, 67.3, 61.3, 62.4)
 
# Passing them in the columns
BULB_PRICE = c(red_bulb, orange_bulb)
BULB_TYPE = rep(c("red", "orange"), each = 8)
 
# Now creating a dataframe
DATASET <- data.frame(BULB_TYPE, BULB_PRICE, stringsAsFactors = TRUE)
 
# printing the dataframe
DATASET
 
# installing libraries to view summaries and
# boxplot of both orange and red color bulbs
install.packages("dplyr")
install.packages("ggpubr")
 
# Summary of the data
 
# loading the package
library(dplyr)
group_by(DATASET,BULB_TYPE) %>%
  summarise(
    count = n(),
    median = median(BULB_PRICE, na.rm = TRUE),
    IQR = IQR(BULB_PRICE, na.rm = TRUE))
 
# loading package for boxplot
library("ggpubr")
ggboxplot(DATASET, x = "BULB_TYPE", y = "BULB_PRICE",
          color = "BULB_TYPE", palette = c("#FFA500", "#FF0000"),
          ylab = "BULB_PRICES", xlab = "BULB_TYPES")
 
res <- wilcox.test(BULB_PRICE~ BULB_TYPE,
                   data = DATASET,
                   exact = FALSE)
res

输出

**> DATASET **

     BULB_TYPE BULB_PRICE
1        red       38.9
2        red       61.2
3        red       73.3
4        red       21.8
5        red       63.4
6        red       64.6
7        red       48.4
8        red       48.8
9     orange       47.8
10    orange       60.0
11    orange       63.4
12    orange       76.0
13    orange       89.4
14    orange       67.3
15    orange       61.3
16    orange       62.4

# 数据的摘要

summarise()` ungrouping output (override with `.groups` argument)
# A tibble: 2 x 4
  BULB_TYPE count median   IQR
  <fct>     <int>  <dbl> <dbl>
1 orange        8   62.9   8.5
2 red           8   55    17.7

# boxplot

R编程中的曼-惠特尼U检验

**> 资源 **

        Wilcoxon rank sum test with continuity correction

data:  BULB_PRICE by BULB_TYPE
W = 44.5, p-value = 0.2072
alternative hypothesis: true location shift is not equal to 0