Jak przeprowadzić testy wykonawcze w r

Testowanie uruchomieniowe to test statystyczny używany do określenia, czy zestaw danych pochodzi z procesu losowego.

Hipotezy zerowe i alternatywne testu są następujące:

H ₀ (null): dane wygenerowano losowo.

H _a (alternatywa): Dane nie zostały wygenerowane losowo.

W tym samouczku wyjaśniono dwie metody, których można użyć do przeprowadzenia testów w języku R. Należy pamiętać, że obie metody prowadzą do tych samych wyników testów.

Metoda 1: Uruchom test przy użyciu biblioteki snpar

Pierwszym sposobem wykonania testu Uruchom jest użycie funkcji runs.test() z biblioteki snpar , która wykorzystuje następującą składnię:

run.test(x, dokładne = FAŁSZ, alternatywa = c(„dwie.strony”, „mniej”, „większe”))

Złoto:

• x: wektor numeryczny wartości danych.
• dokładne: Wskazuje, czy należy obliczyć dokładną wartość p. Domyślnie jest to FAŁSZ. Jeśli liczba wykonań jest wystarczająco mała, możesz zmienić ją na TRUE.
• alternatywa: wskazuje alternatywną hipotezę. Domyślnie jest dwustronny.

Poniższy kod pokazuje, jak wykonać test Run przy użyciu tej funkcji w R:

 library(snpar)

#create dataset
data <- c(12, 16, 16, 15, 14, 18, 19, 21, 13, 13)

#perform Run's test
runs.test(data)

	Approximate runs rest

data:data
Runs = 5, p-value = 0.5023
alternative hypothesis: two.sided

Wartość p testu wynosi 0,5023 . Ponieważ jest to nie mniej niż α = 0,05, nie możemy odrzucić hipotezy zerowej. Mamy wystarczające dowody, aby stwierdzić, że dane zostały wygenerowane losowo.

Metoda 2: Uruchom test przy użyciu biblioteki randtests

Drugim sposobem wykonania testu Run jest użycie funkcji runs.test() z biblioteki randtests , która wykorzystuje następującą składnię:

runs.test(x, alternatywa = c(„obie strony”, „mniej”, „większy”))

Złoto:

• x: wektor numeryczny wartości danych.
• alternatywa: wskazuje alternatywną hipotezę. Domyślnie jest dwustronny.

Poniższy kod pokazuje, jak wykonać test Run przy użyciu tej funkcji w R:

 library(randtests)

#create dataset
data <- c(12, 16, 16, 15, 14, 18, 19, 21, 13, 13)

#perform Run's test
runs.test(data)

	Test Runs

data:data
statistic = -0.67082, runs = 5, n1 = 5, n2 = 5, n = 10, p-value =
0.5023
alternative hypothesis: nonrandomness

Ponownie, wartość p dla testu wynosi 0,5023 . Ponieważ jest to nie mniej niż α = 0,05, nie możemy odrzucić hipotezy zerowej. Mamy wystarczające dowody, aby stwierdzić, że dane zostały wygenerowane losowo.