Friedman 檢定計算機的功能
本計算機用來檢定當每種處理都在 b 個區組(例如受試者、批次或天數)內各測量一次時,k 種處理的效果是否相同。它是以秩為基礎的無母數方法,可作為重複測量變異數分析的替代方案。它會在每個區組內對數值排秩、加總每種處理的秩次,並回傳 Friedman 統計量 T1、Conover 統計量 T2、兩者的 p 值、臨界值,以及拒絕或不拒絕的判定。
使用方法
請輸入資料表,每行一個區組,每欄一種處理。數值之間可用逗號、分號、空白或定位字元分隔,小數點請使用句點。每一行的數值個數必須相同,且至少需要 2 個區組與 2 種處理。接著選擇顯著水準 alpha(10%、5%、2.5% 或 1%),並選擇判定所用的參考分布:F 分布(Conover T2,預設且較建議的選項)或卡方分布(T1)。
公式
在每個區組內對數值排秩,\(R_j\) 為處理 j 的秩和。
$$S=\sum_{j=1}^{k}\left(R_j-\frac{b(k+1)}{2}\right)^2$$
$$T_1=\frac{12\,S}{bk(k+1)}\quad\text{(無並列)},\qquad T_1=\frac{(k-1)\,S}{A_1-C_1}\quad\text{(有並列)}$$
$$A_1=\sum_i\sum_j R(X_{ij})^2,\qquad C_1=\frac{bk(k+1)^2}{4}$$
$$T_2=\frac{(b-1)\,T_1}{b(k-1)-T_1}$$
其中 \(b\) 為區組數,\(k\) 為處理數,\(A_1\) 為所有秩平方和,\(C_1\) 為校正因子。T1 與自由度為 \(k-1\) 的卡方分布比較;T2 與自由度為 \(k-1\) 及 \((b-1)(k-1)\) 的 F 分布比較。
慣例與假設
- 每個區組內依遞增方式排秩,最小值的秩為 1。並列值取其所占秩次的平均。排序方向不會改變統計量。
- 若任一區組有並列值,則使用並列校正後的 T1。沒有並列值時,兩種形式結果相同。
- T2 是較建議的統計量,因為其 F 近似通常比 T1 的卡方近似更準確。
- p 值為右尾機率。只有當統計量嚴格大於臨界值(p 小於 alpha)時才拒絕 H0;若相等則為不拒絕。
- 不套用連續性校正。
- 若 T1 等於 b(k-1),表示所有區組的處理排序完全相同,T2 為無限大,F 的 p 值為 0,並拒絕 H0。
- 若每個區組的所有數值皆相等,統計量無定義,系統會回傳錯誤。
- 檢定後的多重比較不包含在內。
實例演算
資料有 b = 6 個區組與 k = 3 種處理,alpha = 0.05,並使用 F 參考分布。各列資料為 4 5 3、6 7 5、8 6 9、5 7 4、7 9 6 與 3 6 5。在每列內排秩後,秩和分別為 11、16 與 9。
$$A_1=84,\qquad C_1=\frac{6\times 3\times 4^2}{4}=72$$
$$T_1=4.33333,\qquad T_2=\frac{(6-1)\times 4.33333}{6\times 2-4.33333}=2.82609$$
自由度為 2 與 10 的 F 檢定 p 值為 0.10645,臨界值為 4.103。T1 的卡方 p 值為 0.11456。由於 2.82609 小於 4.103(p = 0.10645 大於 0.05),判定為不拒絕 H0。
如何解讀結果
較小的 p 值表示至少有一種處理在區組內傾向於排名高於或低於其他處理。較大的 p 值則表示資料未顯示一致的處理效果;這並不能證明各處理相等。本檢定不會說明哪些處理之間有差異。區組數較少時,卡方近似的可靠性較低,這也是 T2 為預設選項的原因之一。本計算機不支援遺漏值,因此每個區組都必須完整。
常見問題
何時應使用 Friedman 檢定?
當同一研究對象在多種條件下測量,且資料為順序尺度或非常態分布,因而不適合使用重複測量變異數分析時,即可使用本檢定。
為什麼會有兩個 p 值?
T1 近似服從卡方分布,而 T2 近似服從 F 分布,通常更為準確。判定會採用您所選擇的那一個。
如何處理並列值?
並列值共用其秩次的平均,且 T1 會改用並列校正的形式。
排序方向重要嗎?
不重要。以遞減順序排秩會得到相同的統計量。
無限大的 T2 代表什麼?
當每個區組對處理的排序完全相同時就會出現。此時 F 的 p 值為 0,並拒絕 H0。
資料來源
- Dataplot FRIEDMAN TEST,NIST/ITL,2023