Як виконати тестування під час виконання в r

Запуск тестування — це статистичний тест, який використовується для визначення того, чи набір даних походить від випадкового процесу.

Нульова та альтернативна гіпотези тесту такі:

H ₀ (null): дані були створені випадковим чином.

H _a (альтернатива): дані не були згенеровані випадковим чином.

У цьому підручнику пояснюється два методи, які можна використовувати для виконання тестів у R. Зауважте, що обидва методи призводять до однакових результатів тестування.

Спосіб 1. Запустіть тест за допомогою бібліотеки snpar

Першим способом виконання тесту Run є використання функції runs.test() із бібліотеки snpar , яка використовує такий синтаксис:

runs.test(x, exact = FALSE, alternative = c(“two.side”, “less”, “lager”))

золото:

• x: числовий вектор значень даних.
• exact: вказує, чи потрібно обчислювати точне p-значення. За замовчуванням це FALSE. Якщо кількість виконань досить мала, ви можете змінити її на TRUE.
• альтернатива: вказує на альтернативну гіпотезу. За замовчуванням двосторонній.

Наступний код показує, як виконати тест Run за допомогою цієї функції в 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

P-значення тесту становить 0,5023 . Оскільки це не менше ніж α = 0,05, ми не можемо відхилити нульову гіпотезу. У нас є достатньо доказів того, що дані були згенеровані випадковим чином.

Спосіб 2. Запустіть тест за допомогою бібліотеки randtests

Другим способом виконання тесту Run є використання функції runs.test() із бібліотеки randtests , яка використовує такий синтаксис:

runs.test(x, alternative = c(“обидві сторони”, “менше”, “більше”))

золото:

• x: числовий вектор значень даних.
• альтернатива: вказує на альтернативну гіпотезу. За замовчуванням двосторонній.

Наступний код показує, як виконати тест Run за допомогою цієї функції в 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

Знову ж таки, p-значення для тесту становить 0,5023 . Оскільки це не менше α = 0,05, ми не можемо відхилити нульову гіпотезу. У нас є достатньо доказів того, що дані були згенеровані випадковим чином.