用于两种测量结果的一致性比较,必须是n*n的矩阵
取值范围：-1（不一至）~1（一致）
Kappa值的指导准则（并非绝对标准）：越高越好！
Kappa≥0.75，说明两种方法结果一致性较好
0.4≤Kappa< 0.75，说明两种方法结果一致性一般
Kappa< 0.4，说明两种方法结果一致性较差
K=0.49,Z=5.213大于99%的标准正态分布Z值2.58，故p<0.01 (1.858e-07)=> 故推断该k值并非由于抽样误差所致，接受由该k值所下的统计推断（一般一致），如果Z值<1.96，则p>0.05，则k值大小没有意义。
Library(vcd)
x<-cbind(c(115,103),c(121,180))
Kappa(x)
卡方检验：对稀疏矩阵无效
卡方独立性检验
chisq.test(data,correct=F) Correct等于T时，为默认值，p<0.05拒绝“这两 个变量是独立的”的原假设。
卡方等比例检验
chisq.test(data,correct=T)
chisq.test(data,correct=F)
原假设为某个变量在所有总体中的分布是一样的
卡方拟合优先度检验
x<-c(1,99)
p<-c(0.05,99.95)
chisq.test(x, p = p, rescale.p = TRUE)
原假设：一个分类变量的总体分布服从某种特定的分布。
费尔希精确检验：用于不满足卡方检验分布要求的小的或稀疏的数据集上
fisher.test(data)
McNemar配对检验：每一对样本中，两个人的关系非常亲密或非常相关
mcnemar.test(x, correct = T)
p>0.05,二者无明显差异
非参数统计（不满足正态分布）：
方差齐性检验：（满足正态分布）
bartlett.test(x~A,data=cpi)，p>0.05接受原假设，满足方差齐性
leveneTest(X~A,data=data2)
fligner.test(X~A,data=data2)
符号秩和检验：（1至2组组内，组间）
H0:μ=μ0
H1:μ≠ μ0 【双侧】
H1:μ>μ0 【单侧greater】
H1:μ<μ0【单侧less】
wilcox.test(data$x,mu = 8, alternative ="greater") two.sided greater less
p<0.05拒绝原假设
H检验：（组间）
kruskal.test(x~g,data=data2)
p>0.05接受原假设，几者间无明显差异
单因素方差分析，有显著性差异进行多重比较
data2<-data.frame(x<-
c(data[,1],data[,2],data[,3]),A<-factor(rep(1:3, c(6, 6, 6))))
m<-aov(x~A,data=data2)
summary(m)
mm<-TukeyHSD(m)
mm
Friedman检验:(组内)
friedman.test(dm)
p<0.05拒绝原假设
数据标准化处理
data3<-scale(data, center=T, scale=T)
data3
boxplot(data3,las=2)
library(psych)
corr.test(data) #一次性计算所有列数据两两之间的相关系数