R 语言经典实例（原书第 2 版）

统计概论

｜

243

#>

#> data: fav and unfav

#> V = 10, p-value = 1e-04

#> alternative hypothesis: true location shift is not equal to 0

p

值几乎接近于零。从统计学上讲，我们拒绝完成时间相等的假设。实际上，完成时间

不同的结论是合理的。

在此示例中，设置paired=TRUE 非常重要。将数据视为未配对是错误的，因为

观察结果不是独立的，按照未配对观测值进行分析可能会产生虚假的结果。使用

paired=FALSE 运行示例会产生

p

值 0.1022，这会导致错误的结论。

9.16.4 另请参阅

有关参数检验的内容参见 9.15 节。

9.17 检验相关系数的显著性

9.17.1 问题

你在计算两个变量的相关系数，但你不知道它在统计意义上是否显著。

9.17.2 解决方案

cor.test 函数可以计算相关系数的

p

值和置信区间。如果变量来自正态分布总体，则

使用默认的相关系数算法，即 Pearson 方法：

cor.test(x, y)

对于非正态总体，请使用 Spearman 方法：

cor.test(x, y, method = "spearman")

该函数返回多个值，包括显著性检验的

p

值。通常，

p

< 0.05 表示相关性可能是显著的，

而

p

> 0.05 则表明它不是。

9.17.3 讨论

根据我们的经验，人们往往不对相关系数的显著性进行检验。事实上，许多人并不知道

相关系数可以是不显著的。他们将数据输入计算机 ...