运用r语言分析，在这些案件中，谋杀可以判处死刑。试用统计学知识分析数据，判断 判决是否公平公正。

Python013

运用r语言分析，在这些案件中，谋杀可以判处死刑。试用统计学知识分析数据，判断 判决是否公平公正。,第1张

t<-matrix(c(33,33,29,4,251,508,587,76),nrow=4)

attributes(t)<-list(dim=c(4,2),class="ftable",

row.vars=list(c("受害白","受害非白"),c("被告非白","被告白")),

col.vars=list(c("死刑","没有死刑")))

chisq.test(t)

fisher.test(t)

p值都很小，所以受害人/被告人的种族和死刑的判决多半不是相互独立的（拒绝null hypothesis），也就是“可能”不公正。个人认为这些数据是纯粹观察得到的，所以应该不能得出那么强的结论，比如说万一非白人作案的时候证据留得多呢？（完全只是举例，不是歧视非白人）

原理参考 文章 ，主要思想我认为是求出所有分布的可能（中间的一般为零假设），出现这种分布的概率。

distribution= 参数可为exact（精确模式，即依据所有可能的排列组合，仅适用于两样本问题）、approxiamate(nresample=#)（蒙特卡洛抽样，#指需要重复的次数）、asymptotic（渐进分布抽样）

lmPerm包更擅长方差分析。示例实验设计仍为5组接受不同治疗方法的多组结果比较。

实验示例仍为关节炎的治疗（两种）与效果（无、部分、显著）间的关系

实验示例为研究文盲率与谋杀率是否相关

主要为 lmp() 、 aovp() 两个函数分别对应参数法的 lm() 线性回归、 aov() 方差分析。主要格式上的区别是添加了 perm= 参数。可以为Exact（精确模式）、Prob（不断从可能的序列中抽样，直至估计的标准差在估计的p值0.1之下）、SPR（使用贯序概率比检验来判断何时停止抽样）。值得注意的是当样本观测大于10，perm="Exact"自动默认转为"Prob"，因此精确检验只适用于小样本问题。

（1）简单线性回归

实验示例仍为以身高预测体重的设计

（2）多项式回归

高精度拟合身高体重回归关系

（3）多元回归

探究谋杀率与多因素的回归关系

（1）单因素方差分析

（2）单因素协方差分析

实验示例仍为药物对刚出生小鼠体重影响，协变量为怀孕时间

（3）双因素方差分析（交互效应）

实验示例：两种药物分别在不同剂量下对小鼠牙齿长度的影响。

核心思想是有放回的抽样多次（1000次）

（1）写一个能返回带研究统计量的函数；

（2）确定重复数，使用 boot() 函数处理；（一般重复1000次即可；此外有人认为初始样本大小为20-30即可得到足够好的结果）；

（3） boot.ci() 函数计算统计量置信区间。

实验示例：使用mtcar数据框，采用多元回归，根据车重和发动机排量来预测汽车的每加仑行驶的英里数。想获得95%的R平方值（预测变量对响应变量可解释的方差比）的置信区间

（1）首先写函数

（2）然后使用boot()函数

（3）最后boot.ci()函数求置信区间

实验示例：使用mtcar数据框，采用多元回归，根据车总和发动机排量来预测汽车的每加仑行驶的英里数。想获取一个统计量向量--三个回归系数（截距项、车总、发动机排量）95%的置信区间。

R语言 cov(a)函数返回的结果Population、Income、Illiteracy、LifeExp、Murder 、HSGrad分别是数据集“a"里的变量名称啊，要知道是什么意思，你需要去查看数据说明。