肯德爾一致性係數 (Kendall's coefficient of concordance; Kendall's W)

套路40: 肯德爾一致性係數 (Kendall's coefficient of concordance)

1. 使用時機: 肯德爾一致性係數是用以反映多組變數之間關係密切程度的統計指標。
2. 分析類型: 無母數分析(non-parametric analysis)。直接使用資料數值算統計叫parametric方法，把資料排序之後用排序的名次算統計叫non-parametric方法。
3. 肯德爾一致性係數前提假設: 無。
4. 範例資料: 某研究測量鳥類的翅長、尾長及喙長(cm)。資料如下：
編號
1
2
3
4
5
6
7
8
9
10
11
12
翅長
10.4
10.8
11.1
10.2
10.3
10.2
10.7
10.5
10.8
11.2
10.6
11.4
尾長
7.4
7.6
7.9
7.2
7.4
7.1
7.4
7.2
7.8
7.7
7.8
8.3
喙長
17
17
20
14.5
15.5
13
19.5
16
21
20
18
22
5. 使用R計算肯德爾一致性係數，方法一:
第一步: 安裝DescTools程式套件。
第二步: 呼叫DescTools程式套件備用。
  library(DescTools)
第三步: 輸入建立資料。
  v1 <- c(10.4, 10.8, 11.1, 10.2, 10.3, 10.2, 10.7, 10.5, 10.8, 11.2, 10.6, 11.4)
  v2 <- c(7.4, 7.6, 7.9, 7.2, 7.4, 7.1, 7.4, 7.2, 7.8, 7.7, 7.8, 8.3)
  v3 <- c(17, 17, 20, 14.5, 15.5, 13, 19.5, 16, 21, 20, 18, 22)
  m <- matrix(rbind(v1,v2,v3), nrow = 12, byrow = TRUE)
  m
  # 利用rbind函數合併v1、v2及v3三組vector，再利用matrix函數將資料轉成7 x 2的矩陣放到變數m中。結果如下:
      [,1] [,2] [,3]
 [1,] 10.4  7.4 17.0
 [2,] 10.8  7.6 17.0
 [3,] 11.1  7.9 20.0
 [4,] 10.2  7.2 14.5
 [5,] 10.3  7.4 15.5
 [6,] 10.2  7.1 13.0
 [7,] 10.7  7.4 19.5
 [8,] 10.5  7.2 16.0
 [9,] 10.8  7.8 21.0
[10,] 11.2  7.7 20.0
[11,] 10.6  7.8 18.0
[12,] 11.4  8.3 22.0
第四步: 使用DescTools程式套件的KendallW函數代入m計算肯德爾一致性係數。
  KendallW(m, correct = TRUE, test = TRUE)
  # correct = TRUE資料中有一樣大的數值(tied data)，計算需作修正(corrected for ties)。
  # test = TRUE估計肯德爾一致性係數的p値。
第五步: 判讀結果。
        Kendall's coefficient of concordance Wt
data:  m
Kendall chi-squared = 30.496, df = 11, subjects = 12, raters = 3,
p-value = 0.001324
alternative hypothesis: Wt is greater 0
sample estimates:
       Wt   0.9241352   # 肯德爾一致性係數 = 0.9241352
  # H0: 翅長、尾長及喙長三個變數無關。HA: 翅長、尾長及喙長三個變數有關。
  # p > 0.05，H0: 翅長、尾長及喙長三個變數無關，成立。
  # p < 0.05，H0: 翅長、尾長及喙長三個變數無關，不成立。
6. 使用R計算肯德爾一致性係數，方法二:
第一步: 安裝irr程式套件。
第二步: 呼叫irr程式套件備用。
  library(irr)
第三步: 輸入建立資料。
  v1 <- c(10.4, 10.8, 11.1, 10.2, 10.3, 10.2, 10.7, 10.5, 10.8, 11.2, 10.6, 11.4)
  v2 <- c(7.4, 7.6, 7.9, 7.2, 7.4, 7.1, 7.4, 7.2, 7.8, 7.7, 7.8, 8.3)
  v3 <- c(17, 17, 20, 14.5, 15.5, 13, 19.5, 16, 21, 20, 18, 22)
  m <- matrix(rbind(v1,v2,v3), nrow = 12, byrow = TRUE)
  m
  # 利用rbind函數合併v1、v2及v3三組vector，再利用matrix函數將資料轉成7x2的矩陣放到變數m中。結果如下:
      [,1] [,2] [,3]
 [1,] 10.4  7.4 17.0
 [2,] 10.8  7.6 17.0
 [3,] 11.1  7.9 20.0
 [4,] 10.2  7.2 14.5
 [5,] 10.3  7.4 15.5
 [6,] 10.2  7.1 13.0
 [7,] 10.7  7.4 19.5
 [8,] 10.5  7.2 16.0
 [9,] 10.8  7.8 21.0
[10,] 11.2  7.7 20.0
[11,] 10.6  7.8 18.0
[12,] 11.4  8.3 22.0
第四步: 使用irr程式套件的kendall函數代入m計算肯德爾一致性係數。
  kendall(m, correct = TRUE)
  # correct = TRUE資料中有一樣大的數值(tied data)，計算需作修正(corrected for ties)。
第五步: 判讀結果。
Kendall's coefficient of concordance Wt
 Subjects = 12
   Raters = 3
        Wt = 0.924    # 肯德爾一致性係數 = 0.924
Chisq(11) = 30.5
   p-value = 0.00132
  # H0: 翅長、尾長及喙長三個變數無關。HA: 翅長、尾長及喙長三個變數有關。
  # p > 0.05，H0: 翅長、尾長及喙長三個變數無關，成立。
  # p < 0.05，H0: 翅長、尾長及喙長三個變數無關，不成立。
7. 使用R計算肯德爾一致性係數，方法三:
第一步: 安裝vegan程式套件。
第二步: 呼叫vegan程式套件備用。
  library(vegan)
第三步: 輸入建立資料。
  v1 <- c(10.4, 10.8, 11.1, 10.2, 10.3, 10.2, 10.7, 10.5, 10.8, 11.2, 10.6, 11.4)
  v2 <- c(7.4, 7.6, 7.9, 7.2, 7.4, 7.1, 7.4, 7.2, 7.8, 7.7, 7.8, 8.3)
  v3 <- c(17, 17, 20, 14.5, 15.5, 13, 19.5, 16, 21, 20, 18, 22)
  m <- matrix(rbind(v1,v2,v3), nrow = 12, byrow = TRUE)
  m
  # 利用rbind函數合併v1、v2及v3三組vector，再利用matrix函數將資料轉成7x2的矩陣放到變數m中。結果如下:
      [,1] [,2] [,3]
 [1,] 10.4  7.4 17.0
 [2,] 10.8  7.6 17.0
 [3,] 11.1  7.9 20.0
 [4,] 10.2  7.2 14.5
 [5,] 10.3  7.4 15.5
 [6,] 10.2  7.1 13.0
 [7,] 10.7  7.4 19.5
 [8,] 10.5  7.2 16.0
 [9,] 10.8  7.8 21.0
[10,] 11.2  7.7 20.0
[11,] 10.6  7.8 18.0
[12,] 11.4  8.3 22.0
第四步: 使用vegan程式套件的kendall.global函數代入m計算肯德爾一致性係數。
  Kendall.global(m, nperm = 999, mult = "holm")
  # nperm = 999 permutations次數。
  # mult = "holm" 估計p值。
第五步: 判讀結果。
$Concordance_analysis
               Group.1
W         9.241352e-01     # 肯德爾一致性係數 = 0.9241352
F         2.436269e+01
Prob.F    2.687208e-09
Chi2      3.049646e+01
Prob.perm 1.000000e-03
attr(,"class")
[1] "kendall.global"
  # H0: 翅長、尾長及喙長三個變數無關。HA: 翅長、尾長及喙長三個變數有關。
  # p > 0.05，H0: 翅長、尾長及喙長三個變數無關，成立。
  # p < 0.05，H0: 翅長、尾長及喙長三個變數無關，不成立。

來勁了嗎? 想知道更多?? 補充資料(連結):
1. 關於Maurice Kendall (https://en.wikipedia.org/wiki/Maurice_Kendall)
2. 關於correlation coefficient (https://en.wikipedia.org/wiki/Correlation_coefficient)
3. 肯德爾一致性係數計算公式 (https://en.wikipedia.org/wiki/Kendall%27s_W)
4. 關於R基礎，R繪圖及統計快速入門:
   a. R Tutorial: https://www.tutorialspoint.com/r/index.htm
   b. Cookbook for R: http://www.cookbook-r.com/
   c. Quick-R: https://www.statmethods.net/
   d. Statistical tools for high-throughput data analysis (STHDA): http://www.sthda.com/english/
e. The Handbook of Biological Statistics: http://www.biostathandbook.com/
f. An R Companion for the Handbook of Biological Statistics: http://rcompanion.org/rcompanion/index.html
5. Zar, JH. 2010. Biostatistical Analysis, Fifth Edition, Pearson.

留言

張貼留言

這個網誌中的熱門文章

統計不球人 目錄 (Table of Contents)

用 R 做生醫資料科學   (Biomedical Data Science using R) 如何選擇統計方法 1 如何選擇統計方法  2 ***************************   第一段 : 起手式   ****************************** 套路 0: 安裝 R 不球人 套路 1: R 算統計不球人 ， 使用 R 函數 套路 2: 使用 ggplot2 繪圖 (Graphics using ggplot2) 套路 3: 敘述性統計 (Descriptive Statistics) 套路 4: 如何檢查資料是否接近常態分布 (Check Normality using R) 套路 5: 機率分布 (Probability Distributions) ***************************   第二段 : 比較平均值、中數   *************************** 套路 6: 單一樣本 Z 檢定 (One-Sample Z test) 套路 7: 單一樣本 t 檢定 (One-Sample t test) 套路 8: 單一樣本 Wilcoxon signed-rank 檢定 ( One-Sample Wilcoxon signed-rank test ， non-parametric ) 套路 9: 單一樣本符號檢定 (One Sample Sign test) 套路 10: 兩組獨立樣本 Z 檢定 (Two-Sample Z Test) 套路 11: 兩組變異數相同獨立樣本 t 檢定 ( t Test for Two-Samples with Equal Variances) 套路 12: 兩組變異數不同樣本 t 檢定 ( t Test for Two-Samples with Unequal Variances ， Welch Two Sample t test) 套路 13: 成對樣本 t 檢定 (Paired Sample t test) 套路 14: 兩組獨立樣本曼恩 - 惠尼 U 檢定 (...
閱讀完整內容

三因子變異數分析 (Three Way ANOVA)

圖片
套路 24: 三因子變異數分析 (Three Way ANOVA) 應用三因子變異數分析的資料有三影響因子 ，就是有三個自變項 。此檢定有七組 H 0 和 H A 。 H 0 : m 因子 1-1 = m 因子 1-2 = … = m 因子 1-m ， H A : 至少有一組平均值不同。 H 0 : m 因子 2-1 = m 因子 2-2 = … = m 因子 2-n ， H A : 至少有一組平均值不同。 H 0 : m 因子 3-1 = m 因子 3-2 = … = m 因子 3-o ， H A : 至少有一組平均值不同。 H 0 : 因子 1 與因子 2 互不影響 ， H A : 因子 1 與因子 2 互相影響。 H 0 : 因子 1 與因子 3 互不影響 ， H A : 因子 1 與因子 3 互相影響。 H 0 : 因子 2 與因子 3 互不影響 ， H A : 因子 2 與因子 3 互相影響。 H 0 : 因子 1 、 因子 2 與因子 3 互不影響 ， H A : 因子 1 、 因子 2 與因子 3 互相影響。 1. 使用時機 : 變異數分析適用連續資料之差異分析，若自變項有 3 個，就是三因子變異數分析。 2. 分析類型 : 母數分析 (parametric analysis) 。 直接使用資料數值算統計叫 parametric 方法，把資料排序之後用排序的名次算統計叫 non-parametric 方法。 3. 假設前提 : 每組資料 (observations within each cell) 都是常態分布 (normally distributed) 且具相同變異數 (equal variances) 。 4. 範例資料 : 咪路研究溫度對孔雀魚 ( Poecilia reticulata ) 、寶蓮燈魚 ( Paracheirodon axelrodi ) 及斑馬魚 ( Danio rerio ) 生長的影響。在 20 ° C 、 24 ° C 及 28 ° C 培養下，三種魚身長變化 (cm) 資料如下： 孔雀魚 ( Poecilia reticulata ) 20 ° C 24 ° C ...
閱讀完整內容

比較二或多組變異數Levene’s 檢定 (Levene’s Test for Comparing Two or More Variances)

圖片
套路 27: 比較二或多組變異數 Levene’s 檢定   (Levene’s Test for Comparing Two or More Variances) 什麼是比較多組獨立樣本變異數檢定 ? 說白了就是多組分別獨立取樣的資料做比較的假設檢定。 ** 注意 ** ” 比較變異數 ” (comparing variances) 和 ” 變異數分析 ” (analysis of variance) 不同。變異數分析是多組資料比較平均值。統計假設檢定檢定什麼 ? 看 H 0 。例如多組獨立樣本假設檢定 H 0 : s 1 2 = s 2 2 = … = s k 2 ， H A : 至少有一組變異數不同 ， 是檢定多組資料的變異數是否相同。假設相等時為雙尾 (two-tailed test) 檢定。 1. 使用時機 : 用於比較觀測到的兩組或多組變異數 (variances) 。 2. 分析類型 : 母數分析 (parametric analysis) 。 直接使用資料數值算統計叫 parametric 方法，把資料排序之後用排序的名次算統計叫 non-parametric 方法。 3. 前提假設 : 資料偏離常態分布 (normal distribution) 仍可用。 4. 資料範例 1 ， 兩組變異數 : 咪路調查高一和大一學生體重 (kg) ， 資料如下 : 高一 41 35 33 36 40 46 31 37 34 30 38 大一 52 57 62 55 64 57 56 55 60 59 請問高一和大一學生體重變異數是否相同 ? H 0 : σ 2 1 = σ 2 2 ， H A : σ 2 1 ≠ σ 2 2 。 第一步 : 輸入建立資料 ， 用小 c 將資料放入名稱為 h1 及...
閱讀完整內容