R 威尔科克森秩和检验

我正在用一个简单的数据集进行配对Wilcoxon检验，得到了令人惊讶的结果。使用完整集合（A、B和C）比较组A和C返回的p值不同于将A和C与数据子集（仅A和C组）进行比较

---

dfx检查
？成对.wilcox.test
。此函数用于对多个比较进行更正，以解释差异

编辑以添加：

当进行单个比较时，p值
p
可以解释为在无效假设下获得观察数据的概率等于
p
。因此，如果我们想确保在无效假设下观察数据的概率小于
0.05
，我们只需检查
pb）和（b>c）
是否暗示
a>c
）。实际上，我们在进行调整时通常不考虑这种非独立性。]

调整方法定义了
成对.wilcox.test
如何估计必要的调整。更改调整方法将更改必要调整的估算细节，并可能更改您的p值。调整方法
Holm
大概实现了。
在这两种情况下，我都使用Holm调整方法。唯一的区别是一个集合包含两个组，其他三个组。我分别对3组和4组做了相同的比较。但是你在这两个案例中做了不同数量的比较！我将在我的答案中添加一个关于多次测试修正的逻辑和目的的解释。好的，另一个调整函数会给出相同的结果吗？我想把所有的组相互比较一下，就好像我会用wilco.test循环他们一样。非常感谢你的详细解释。我不是统计学家，不幸的是，我不能显示真实的数据。我比较重复的独立实验，我用方框图显示。其中，我想突出显示明显不同的方框图。因为实验次数只有6到10次，我无法评估预期的正态分布，所以我选择了Wicoxon检验。使用Wilcoxon检验是明智的。你对测试的选择不会改变多重比较的问题。你有两个选择。一种是报告单个比较的p值。请记住，这意味着即使在比较中没有影响，您检测到的“显著”影响的平均数量也将更接近alpha乘以比较数量，而不是alpha。所以你可以展示一堆“重要的”箱线图，而实际上在任何地方都没有效果。
dfx <- data.frame(group = c(rep('A', 8), rep('B', 15), rep('C', 6)), sex = sample(c("M", "F"), size = 29, replace = TRUE), age = runif(n = 29, min = 18, max = 54))
pairwise.wilcox.test(dfx$age, dfx$group, pool.sd=F, paired=F)

Pairwise comparisons using Wilcoxon rank sum test 
data:  dfx$age and dfx$group 
  A    B   
B 0.55 -   
C 0.13 0.19
P value adjustment method: holm 

dfx.ac<-dfx[which(dfx$group!='B'),]
pairwise.wilcox.test(dfx.ac$age, dfx.ac$group, pool.sd=F, paired=F)

Pairwise comparisons using Wilcoxon rank sum test 
data:  dfx.ac$age and dfx.ab$group 
  A    
C 0.043
P value adjustment method: holm 

a<-dfx[which(dfx$group=='A'),]$age
c<-dfx[which(dfx$group=='C'),]$age
wilcox.test(a,c)
W = 8, p-value = 0.04262

wilcox.test(dfx.ac$age~dfx.ac$group)
W = 8, p-value = 0.04262

dfx.nb<-dfx[which(dfx$group!='B'),]

pairwise.wilcox.test(dfx$age,dfx$group, pool.sd=F, paired=F)
  A    B    C   
B 1.00 -    -   
C 0.57 0.62 -   
D 0.56 0.56 1.00

pairwise.wilcox.test(dfx.nb$age,dfx.nb$group, pool.sd=F, paired=F)
  A    C   
C 0.28 -   
D 0.28 0.95