![R语言 > pairs(iris[,1:4]) > pairs(iris[1:4]) 这俩语句画的图一样，，那个逗号是干嘛的？？](/aiimages/R%E8%AF%AD%E8%A8%80+%26amp%3Bgt%3B+pairs%28iris%5B%2C1%3A4%5D%29+%26amp%3Bgt%3B+pairs%28iris%5B1%3A4%5D%29+%E8%BF%99%E4%BF%A9%E8%AF%AD%E5%8F%A5%E7%94%BB%E7%9A%84%E5%9B%BE%E4%B8%80%E6%A0%B7%EF%BC%8C%EF%BC%8C%E9%82%A3%E4%B8%AA%E9%80%97%E5%8F%B7%E6%98%AF%E5%B9%B2%E5%98%9B%E7%9A%84%EF%BC%9F%EF%BC%9F.png)
1、W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验)
检验数据是否符合正态分布，R函数：shapiro.test().
结果含义：当p值小于某个显著性水平α(比如0.05)时，则认为
样本不是来自正态分布的总体，否则则承认样本来自正态分布的总体。
2、K检验(经验分布的Kolmogorov-Smirnov检验)
R函数:ks.test(),如果P值很小，说明拒绝原假设，表明数据不符合F(n,m)分布。
3、相关性检验：
R函数：cor.test()
cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = c("pearson", "kendall", "spearman"),
exact = NULL, conf.level = 0.95, ...)
结果含义：如果p值很小，则拒绝原假设，认为x,y是相关的。否则认为是不相关的。
4、T检验
用于正态总体均值假设检验，单样本，双样本都可以。
t.test()
t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)
结果意义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）
5、正态总体方差检验
t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)
结果含义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）
6、二项分布总体假设检验
binom.test(x, n, p = 0.5,
alternative = c("two.sided", "less", "greater"),
conf.level = 0.95)
原假设：p=p0,p
7、Pearson 拟合优度χ2检验
chisq.test(x, y = NULL, correct = TRUE,
p = rep(1/length(x), length(x)), rescale.p = FALSE,
simulate.p.value = FALSE, B = 2000)
原假设H0：X符合F分布。
p-值小于某个显著性水平，则表示拒绝原假设，否则接受原假设。
8、Fisher精确的独立检验：
fisher.test(x, y = NULL, workspace = 200000, hybrid = FALSE,
control = list(), or = 1, alternative = "two.sided",
http://conf.int = TRUE, conf.level = 0.95)
原假设：X,Y相关。
9、McNemar检验：
mcnemar.test(x, y = NULL, correct = TRUE)
原假设：两组数据的频数没有区别。
10、秩相关检验
cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = "spearman", conf.level = 0.95, ...)
原假设：x,y相关.
11、Wilcoxon秩检验
wilcox.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, exact = NULL, correct = TRUE,
http://conf.int = FALSE, conf.level = 0.95, ...)
原假设：中位数大于，小于，不等于mu.
1.两变量均为多分类此时就是通常说的分析变量间的关联性，此时数据一般为数据框或矩阵结构的频数表，可直接使用chisq.test()命令进行处理，如：
>chisq.test(bird.df)
如果频数表中有频数为0，则会输出一个错误信息：Chi-squared approximation may be incorrect
2.两变量均为二分类
此时数据为2*2列联表，chisq.test()会默认使用耶茨连续性校正，可通过corrct=TRUE进行关闭，实际上，chisq.test()只会对2*2列联表使用耶茨校正。如果设定了使用蒙特卡洛方法，则不会再使用耶茨校正。
3.一个变量为二分类一个变量为多分类
这种情况下为卡方拟合优度检验，为保险起见，基本上都要设定rescale.p=TRUE，如果不指定P，则认为期望概率全部相等的情况。
>chisq.test(survey$new,p=survey$old,rescale.p = TRUE)
