ESERCITAZIONI DI STATISTICA BIOMEDICA

2.3 Test di correlazione 19
alternative hypothesis: true probability of success is not equal to 0.85
95 percent confidence interval:
0.6751413 0.8482684
Si conclude che vi è differenza significativa fra la proporzione teorica e quella osservata. Si noti che il
test visualizza nell’ultima linea l’intervallo di confidenza della proporzione osservata.
2.2.4 Test di McNemar
Si usa questo test per verificare l’accordo fra due diverse tecniche diagnostiche.
Esempio
Due test diagnostici A e B vengono provati su 500 pazienti. Ogni persona viene analizzata con
entrambi i test. Ci si domanda se i due test sono equivalenti.
Si inizia l’analisi inserendo i dati in una matrice:
> dati dati
A
B + -
+ 95 20
- 30 355
L’opzione dimnames serve a specificare le etichette di riga e colonna per comodità di lettura. Si
noti che in questo caso la matrice viene costruita per colonne. Le informazioni utili per il test sono
ricavate dai due elementi fuori diagonale, che risultano popolati in numero sufficiente per usare il test
di McNemar:
> mcnemar.test(dati, correct=FALSE)
McNemar’s Chi-squared test
data: dati
McNemar’s chi-squared = 2, df = 1, p-value = 0.1573
Si conclude che i due metodi diagnostici sono equivalenti. L’opzione correct = FALSE disabilita la
correzione di continuità.
2.3 Test di correlazione
Per verificare la correlazione fra due serie di dati A e B (campione bivariato) si ricorre al test di
Pearson, come nell’esempio seguente.
> A B cor.test(A, B)
Pearson’s product-moment correlation
data: A and B
t = 0.7966, df = 8, p-value = 0.4487
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval: