前言

专题目的：粗暴，简单，直接套用

---

如果我们想知道成对测量值（均值）之间是否有差异，可考虑配对t检验。

本章配对样本Wilcoxon符号秩检验可以认为是“常用分析的R代码——配对t检验（差值服从正态）”的续集，只是差值不服从正态分布/有序标量，所以很多代码都是一样的（会标注不一样的地方）～

使用配对样本t检验，需要满足5个条件：

条件1：观察变量为连续变量或有序分类变量。

条件2：观察变量为配对设计。

条件3：观察变量可分为2组，本研究中分为A方法和B方法两组，该条件满足。

懂的都懂，盒子上下那条打横的线才是精华～

代码（含图）如下

#1.输入数据 （同前）（数据啥样就是啥样，正态性关键看第三步）

# 组A

before <-c(15.4,25.3,25.6,34.7,28.8,18.9,30.0,16.7,15.8,27.7)

# 组B

after <-c(5.5,5.4,5.7,15.7,18.7,72.5,72.4,37.0,66.7,60.0)

##2.绘制Q-Q图(正态性检验的判断）（同前）

d <- before - after  #计算两组间差值

qqnorm(d)  #绘制Q-Q图

qqline(d)  #增加趋势线

#如Q-Q图上散点基本围绕对角线分布，提示数据呈正态分布；

##3.正态性检验(正态性检验的判断）（同前但主要转折点是这里！！！）

shapiro.test(d) #shapiro-Wilk正态性检验

#如“Shapiro-Wilk normality test (S-W正态性检验)”表格结果显示P=x<0.1，也提示数据不满足/服从正态分布（满足条件5）。

#P=x>0.1直接配对T检验

#所以需要进行配对样本Wilcoxon检验

##4.配对样本Wilcoxon符号秩检验(Paired Samples Wilcoxon Signed Rank Test)

# 创建数据框

my_data <- data.frame(

        group = rep(c("before", "after"), each = 10),

        weight = c(before,  after)

      )

res <- wilcox.test(weight ~ group, data = my_data, paired = TRUE)

res

#如果要测试治疗前的数值是否小于治疗后的数值，请输入以下命令：

wilcox.test(weight ~ group, data = my_data, paired = TRUE,

                  alternative = "less")

#如果要测试治疗前的数值是否大于治疗后的数值，请输入

wilcox.test(weight ~ group, data = my_data, paired = TRUE,

                  alternative = "greater")

#解读

#如检验的p值为 0.23>0.05，大于显着性水平alpha = 0.05。

#然后我们可以肯定原假设，并得出结论，治疗前后没有显著不同。

##5.差值描述

summary(d)  #差值d的描述

#列出了变化差值“d”的“Median (中位数)”为xxx，P25(1st Qu.)~P75(3rd Qu.)为xxx。

#6.作图 (每组有多少个就写多少个，这个例子是10个)（同前）

data <- data.frame(subject = rep(c(1:10), 2),

                         time = rep(c("before", "after"), each = 10),

                         score = c(before, after))

print(data)

str(data)

attach(my_data)

par(pty = "s")

#黑白箱形图

boxplot(score ~ time)

#有颜色的箱形图

boxplot(score ~ time,

col = c("#003C67FF", "#EFC000FF"),

        main = "Wilcoxon Signed Rank Test",

        xlab = "Time", ylab = "Score")