*Only in Professional*

Basic statistics 是一項讓使用者能快速檢視輸入數列之基本統計數據的工具。

說明：

令代表長度為 N 的數列(不限定為時間序列)， Basic Statistics 將計算下列各項統計資訊。

統計值	數學式	說明
Sum		資料中每個元素的總合。
Min	-	資料中的最小值。
Max	-	資料中的最大值。
Mean		計算資料算數平均值。
Geometric Mean		計算資料幾何平均值，多用於計算比率、人口成長等呈幾何變化的數列。
Harmonic Mean		計算調合平均數，多用於計算平均速率。
Trimmed Mean	-	截頭尾平均數，算法為先設定的濾除比例 ( % )，將資料X 排序後，頭尾各濾除比列的部份的數列部份濾除，剩下的訊號值作算數平均，如此可排除數列中極端值所造成的影響。
Median	-	資料的中位數。
StdDev		標準差，可推估母體資料距離平均值的離散程度，假設此資料為樣本，無法利用樣本去推估母體標準差 ( Biased Moment Estimation)。
		當此資料為樣本，計算樣本不偏估之標準差 ( Unbiased Moment Estimation )，可以用來推估母體標準差。
Variance		母體資料的變異數 (標準差的平方)，假設此資料為樣本，無法利用樣本去推估母體變異數( Biased Moment Estimation )。
		當此資料為樣本，計算樣本不偏估之變異數 ( UnbiasedMoment Estimation )，可以用來推估母體變異數。
Coefficient of Variation		母體變異係數，表示標準差佔平均值的百分比，用於比較多組資料個別間的離散程度 ( Biased Moment Estimation )。
		當此資料為樣本，計算樣本不偏估之變異係數 ( Unbiased Moment Estimation )，可以用來推估母體變異係數。
Skewness		母體偏度，用以推估資料分佈圖形的對稱性，即第三中央慣性矩除以標準偏差的三次方 ( Biased Moment Estimation )。
		當此資料為樣本，計算樣本不偏估之偏度 (Unbiased Moment Estimation )，可以用來推估母體偏度。
Kurtosis		母體峰度，用來推估資料分佈圖形是高瘦或者是矮胖，即第四中央慣性矩除以標準偏差的四次方減3 ( Biased Moment Estimation )。
	,	當此資料為樣本，計算樣本不偏估之峰度 ( Unbiased Moment Estimation )，可以用來推估母體峰度。
Semivariance		計算母體資料之半變異數，預設以數列平均值為門檻值 ( Biased Moment Estimation )。
		當此資料為樣本，計算樣本不偏估之樣本半變異數( Unbiased Moment Estimation )，可以用來推估母體之半變異數。
Semi Standard Deviation		將母體資料之半變異數 (Biased Moment Estimation ) 開根號即為資料之半標準偏差 ( Biased Moment Estimation )。
		當此資料為樣本，計算樣本不偏估之樣本半標準差( Unbiased Moment Estimation )，可以用來推估母體半標準差。

參數設定(Properties)

本模組接受實數(real number)、複數(complex number)，單通道(single channel)或多通道(multi-channel)，regular的訊號 ( signal ) 輸入，相關參數定義詳列如下表。

參數名稱	參數定義	預設值
Stats Mode	如果輸入訊號為多通道，此參數將會被開啟，包含PerChannel 和 AcrossChannel。 若如預設 PerChannel ，結果會為一個 15 * n 的矩陣，其中 n 為輸入的 channel 數，15 個值為計算的統計值，輸出格式是 Indexed 的數值資料。 若設定為 AcrossChannel，計算同一個時間點下，輸入訊號中所有通道的 15 個統計值，最後輸出一個多通道訊號包含 15 個 channel ，長度跟輸入訊號相同。	PerChannel
View Statistics…	開啟 Reporter 視窗顯示模組元件計算結果。	無
Unbiased Moment Estimation	如果輸入資料為樣本 (Sample)，則選擇 True (Unbiased Moment Estimation) 進行統計量修正，進一步去推估母體 (Population) 的統計量。 反之若資料為母體 (Population)，即可以設定 False ( biased Moment Estimation )，計算母體統計量	True
Trimmed Fraction	截頭尾平均的截去比例，以百分比表示%。	0.05
Trimmed at Ceiling	當截去比例下之資料點位置為小數點時，選擇取前一點（參數設為 False ）或是後一點（參數設為 True ）作為 Trimmed 的點數。	False

範例(Example)

計算白色雜訊與方波的基本統計分析：

相關指令

Equiphase Statistics，Rolling Statistics，Merge to Multi。

參考

Michel Loeve, "Probability Theory", Graduate Texts in Mathematics, Volume 45, 4th edition, Springer-Verlaf, 1977

Joanes, D. N.&Gill, C. A.(1998) Comparing measuresof sample skewness and kurtosis. Journal of the Royal Statistical Society (Series D): The Statistician 47 (1), 183–189.

*Only in Professional*

共變異數是計算兩組數列各自對其平均值的變化相關程度，若值為正，代表兩數列呈正相關，值為負代表兩數列呈負相關。倘若有多比數列資料互相比較，則可將各資料對應之共變異數組成一個共變異數矩陣。

說明

，為兩組數列，則總量之共變異數(Covariance)計算如下：

其中、分別為兩數列的平均值。若考慮樣本不偏估之估計量（Unbiased estimator），則方程式為

若有一組多通道(multi-channel)的數列，通道數為 M，則各通道間對應的總量/樣本相關係數可表示為共變異數矩陣。

，其中 l，k 為數列通道編號。

其中矩陣的對角項(Diagonal terms)就是該通道數列的變異數，即：

參數設定(Properties)

本模組接受實數(real number)，多通道(multi-channel)，regular 的訊號 ( signal ) 輸入。輸出為一個 M x M 的方形矩陣，其中 M 為通道數，輸出格式是 Indexed 的數值資料。計算結果於 Properties / View Matrix… 即可開啟 Reporter 視窗看到。

參數為 Unbiased Moment Estimation，可選擇是否計算樣本不偏估之共變異數矩陣，預設為“False”。

範例(Example)

以不同相位角與頻率的正弦波為輸入訊號計算其相關係數矩陣：

Sine2 的參數設定如下圖。

Sine3 Properties

共變異數值的大小可衡量兩數列值變化的程度，值為正代表兩數列值相對於平均的變化趨勢相同，為正的線性相關，值為負代表兩數列值相對於平均的變化趨勢相反，為負的線性相關。另外可注意到矩陣的對角項為各通道的變異數。

相關指令

Correlation Matrix，Orthogonality Matrix，Merge To Multi-Channel，RCADA EEMD。

參考

N.G. van Kampen, Stochastic processes in physics and chemistry. New York: North-Holland, 1981.

*Only in Professional*

相關係數(Correlation Coefficient)即是正規化的共變異數，可指出兩組數列的相關程度，倘若有多筆數列相互交差比較，則可將各相關係數組成相關係數矩陣。

說明

令，為兩組數列，則相關係數(Correlation Coefficient)之計算如下：

其中、分別為兩數列的平均值，、分別為兩數列的標準偏差。若考慮樣本不偏估之估計量（Unbiased Moment estimator），則方程式為

其中為兩樣本數列的相關係數，、分別為兩數列的樣本標準偏差。相關係數之定義可視為共變異數除以兩數列之標準偏差。若有一組多通道(multi-channel)的數列，通道數為 M，則各通道間對應的總量 ／ 樣本相關係數可表示為相關係數矩陣。

其中l，k 為通道代碼。

參數設定(Properties)

本模組接受實數(real number)，多通道(multi-channel)，regular的訊號(signal)輸入。輸出為一個 M x M 的方形矩陣，M 為channel數，輸出格式是 Indexed 的數值資料。於 Properties / View Matrix… 即可用Reporter視窗看到計算結果。

參數為 Unbiased Moment Estimation，可選擇是否計算樣本不偏估之相關係數矩陣，預設為 " False "。

範例(Example)

以不同相位角與頻率的正弦波為輸入訊號計算其相關係數矩陣結果：

Sine2 Properties

Sine3 Properties

矩陣的對角項為各通道對自己的相關係數，所以等於 1；除了對角項之外，值最大的相關係數為 IMF_h5 與 IMF_h1，表示這兩組訊號有較強的相關性，其餘大多數的相關係數值都小於正負 0.1，代表其餘 IMF 彼此間的相關性很小。

相關指令

Covariance Matrix，OrthogonalityMatrix，Merge To Multi-Channel，Channel Viewer，RCADA EMD。

參考

Cohen, J., Cohen P., West, S.G.,&Aiken, L.S. (2003). Applied multiple regression/correlation analysis forthe behavioral sciences. (3rd ed.) Hillsdale, NJ: Lawrence Erlbaum Associmtes.

*Only in Professional*

等相位統計值，為設定一段長度為 M 的週期，在此週期下計算每個同相位元素的統計值，譬如計算月均值，週均值等，此計算方式即為 Equiphase Statistics。

說明

為一組個數為 N 的數列，而 Equiphase Statistics 所設定的週期大小為 M，M<N，則此數列可分作 K = Ceiling ( N / M ) 個小數列，Ceiling 表示小數點後無條件進位，令小數列為，k 標示小數列編號，j 標示數列內之元素，則

，，（如下圖所示）

EquiphaseStatistics 就是抽出每個中相同相位的元素作為一組，計算其統計值，譬如 equiphase mean 的計算如下。

，。

須注意當 N / M 不整除時，最後一組小數列長度 M_last<N，因此當相位元素時，計算之元素數量為 K，當元素 j>M_last 時，計算元素數量為 K-1。

Equiphase statistics 可計算多種統計值，其中大部份與 Basic statistics 模組相同，此處不再贅述，算式請參照 Basic statistics 內容，其它部份，譬如 First quartile、Third quartile 與 Quantile 的詳細定義請參考 Quartiles and Quantiles 模組。

參數設定(Properties)

本模組接受實數(real number)，單通道(single channel)或多通道(multi-channel)，regular的訊號(signal)、聲音訊號(audio)輸入。參數定義如下。

參數名稱	參數定義	預設值
Period	設定週期，單位為時間。	輸入訊號時間總長的百分之十
Period Start	設定起始點位置，單位為時間。	0
TimeUnit	時間單位。	sec
Type	設定要計算的統計量。	Mean

Type選項定義如下，計算於窗內範圍的統計量。

選項名稱	選項定義
Sum	數列總合。
Min	數列中最小值。
Max	數列中最大值。
Mean	平均值。
Geometric Mean	幾合平均數。
Harmonic Mean	調合平均數。
Trimmed Mean	截尾平均數。
First quartile	數列值四分位值。
Median	數列的中位數。
Third quartile	數列的四分之三位值。
Quantile	數列的分位數。
StdDev	數列的標準偏差。
Variance	數列的變異數。
VarianceCoef	變異係數。
Skewness	數列的偏度。
Kurtosis	數列的峰度。
SemiVariance	半變異數。
SemiStdDev	半標準偏差。

部分選項會再出現參數需要設定，Quantile 的參數請參閱 Quartiles and Quantiles 模組說明，其餘統計量的定義請參考模組Basic Statistics內容。

範例(Example)

以一組 Brownian Noise 為輸入訊號，計算 Equiphase Statistics 的各項統計值。

相關指令

Basic Statistics，Rolling Statistics，Quartilesand Quantiles， Channel Viewer。

參考

1. Michel Loeve, "Probability Theory", Graduate Texts in Mathematics, Volume 45, 4th edition, Springer-Verlaf, 1977

2. Joanes, D. N.&Gill, C. A. (1998)Comparing measures on sampleskewness and kurtosis. Journal of the Royal Statistical Society (Series D): The Statistician 47 (1), 183–189.

*Only in Professional*

Kernel smoothing density estimation 是以非參數化(non-parametric)的方法計算出數列的機率密度函數( probability density function )。

說明

設數列為，則數列的 kernel density estimation 為：

其中 h 是控制平滑程度的參數，即平滑窗 ( smoothing window ) 的長度，K 是核函數 ( kernel function )。此方法是將離散分佈之每個點代入核函數中，再疊加每個點的核函數計算結果，以達到平滑之目地。在概念上與作統計直方圖類似。

參數設定(Properties)

本模組接受實數(real number)，單通道(single channel)或多通道(multi-channel)，regular的訊號(signal)輸入；輸出訊號格式為實數，多通道，regular的訊號。

參數定義整理如下表。須注意 KS Density 輸出的訊號格式，一組輸入訊號會產生一組兩個通道的輸出訊號，第一個通道為 X 軸資料，以資料的極大及極小為上下界限，第二個通道為 Y 軸資料，為數列數值相對應之機率密度值。

參數名稱	參數定義	預設值
Type	核函數的種類，內建函數包括Uniform、Triangle、Epanechnikov、Quartic、Triweight、Gaussian、Cosine，其定義整理至下一個表格中。	Gaussian
No. of Points	輸出訊號之離散點數。	100
Width	平滑窗之寬度， 即 h，為控制平滑程度的常數，預設值 Auto 是假設標準常態分佈下計算最佳的寬度。	Auto

下表整理常見核函數之定義。

核函數名稱	定義
Uniform
Triangle
Epanechnikov
Quartic
Triweight
Gaussian
Cosine

範例(Example)

這兩張圖的基本概念是相同的，kernel smooth density 是以 kernel function 將數值出現的機率轉為連續的密度函數表示，而 histogram 是以值區間計算每個區間內數值發生的機率；且本模組所計算的密度函數其 X 軸以上的面積為 1，而 histogram 的 Y軸直接是發生次數。

將 KSDensity 的 Properties / Width 調大一點，調整到 1.2，可看到結果更為平順。

相關指令

Histogram，Noise，XY Plot。

參考

T. Hastie, R. Tibshirani and J. Friedman, The Elements of Stbtistical Learning, Chapter 6, Springer, 2001.

*Only in Professional*

正交性矩陣是計算數列間的正規化的內積 ( Dot Product )，若兩訊號正交，則其值為零，可以用在 EMD 計算的 IMF 上，判斷各 IMF 彼此間是否正交。

說明

令，為兩組數列，則其正交性定義為兩數列的內積，計算如下：

若有 M組數列，與其對應的正交性矩陣表示如下：

，其中 l，k 為通道編號。

參數設定(Properties)

本模組接受實數(real number)，多通道(multi-channel)，regular的訊號(signal)輸入。輸出為一個 M x M 的方形矩陣，M 為輸入訊號的通道數，輸出格式是Indexed的數值資料。於Properties/View Matrix…即可用Reporter視窗看到計算結果。

範例(Example)

以不同相位角與頻率的正弦波為輸入訊號計算，正交性矩陣：

相關指令

Covariance Matrix，Correlation Matrix，Merge To Multi-Channel，Channel Viewer。

參考

Probability, Random Variables and Stochastic Processes. McGraw-Hill, 211.

*Only in Professional*

四分位數與分位數。分位數為一數列經排序後，其分佈位置占總量某個百分比的數值，而四分位數是在總量25%、50%、75%的位置的數值。

說明

令為一組個數為N的數列，則四分位數可表示為

，

若以較明確的說法，一數列的四分位數是其累積分佈函數等於 25% 的數值，位置 q 在 N * 25% - 1 處，中位數與四分之三位數也是相同的概念。分位數 Quantile 則是更一般化的分位數，以百分比為標準，如 17 位數(17^thquantile) 代表在數列中累積分佈函數等於17%的數值。

若估計分位數時，該分位位置在兩點之間(即 q = N * p - 1 不為整數)，則需要推估該分位的位置，估計方法眾多，本元件整理五種較常用的計算式供使用者選擇。

內插方法	定義	說明
Linear	其中 i 代表 q 的整數部分	分位位置的前一點與下一點的數值作線性內插計算分位數。
Next point		以分位位置下一點的數值當作分位數。
Average		分位位置的前一點與下一點的數值取平均作為該分位數。
Weighted Average	其中 i 是 ( N-1 ) * p 的整數部份，g 是小數部份。	分位位置的前一點加上前後兩點之差的加權值，此方法被Microsoft Office Excel 所採用。
Nearest	其中 i 是 ( N-1 ) * p 的整數部份，g 是小數部份。	離分位位置最近的位置作分位數。

參數設定(Properties)

本模組接受實數(real number)、複數(complex number)，單通道(single channel)或多通道(multi-channel)，regular的訊號(signal)輸入。

參數設定介面如下圖，本模組預設就計算數列的四分位數、中位數、四分之三位數等 Quartiles 值，另外可在參數 Quantile Fractions 下設定希望計算的 Quantiles 值。參數View Quartiles and Quantiles…會跳出視窗顯示計算結果。參數 Quantile Method 則可選擇 Quantile 的估計方法。下面就各參數內容分項說明。

上圖為按下 View Quartiles and Quantiles… 右方鈕即跳出視窗，每一筆訊號的計算結果以 Column 為單位呈現，第一個 Column 顯示 Quartile 與 Quantile 名稱，第二 Column 之後每個 Column 都對應至輸入訊號每個 Channel，前三 Rows 計算三個四分位值，後面的 Rows 計算Quartiles，使用者利用參數 Quartile Fractions 來設定。下面將介紹參數 Quantile Fractions。

Quantile Fractions 有兩種方式可以設定分位數。第一種方法是直接在欄位裡更改數據，譬如在0.1與0.25之間鍵入「0.2,」(如下圖)，就可以新增分位數。

第二種方法是按下 Quantile Fractions 右方鈕，跳出分位數編輯視窗(如下圖)，如果一次需要新增或移除很多個分位數，可以採取此作法。左邊為設定的 Quantile Member，使用者可以用下面的 Add / Remove 按鈕新增/移除計算項目，另外可以在右邊視窗編輯每個 Member 要計算的 Quantile 的比例，如 0.01 代表 1% Quantile，編輯完成後，按下 OK 鈕即完成設定。設定後這些 Quantiles 的計算結果會顯示在成 View Quartiles and Quantiles…視窗中。

Quantile Method 內有五種方法，分別為 linear、next、mean、weighted mean、nearest，其估計原理在理論中都有詳述。

參數名稱	參數定義	預設值
View Quartiles and Quantiles	顯示計算的 Quartiles 和 Quantiles結果。	無
Quantile Method	Linear、Next、Mean、Weighted mean、Nearest。	Linear
Quantile Fractions	可設定多個 Quantile 的百分比。	[0.01; 0.1; 0.25; 0.5; 0.75; 0.9; 0.99]

範例(Example)

以一組Brownian Noise為輸入訊號，計算 Quartiles 與 Quantiles。

相關指令

Basic Statistics，Rolling Statistics，Channel Viewer。

*Only in Professional*

滾動統計值，為設定一段元素數量為 M 的窗，統計函數計算窗內部份的統計值，譬如平均值，並且移動此窗以計算出的新的數列，此計算方式即為 Rolling statistics。

說明

令為一組個數為 N 的數列，而 rolling statistics 所設定的窗長度為 M，M<N，則此窗內的元素可表示為，其中，Rolling statistics 就是計算此窗內的統計值，譬如 Rolling mean

，。

另外定義一個 overlap 值 ( p ) ，p 代表計算下一段窗時，有多少窗內的元素是與前一段重疊的。以 rolling means 為例，設定窗大小 M = 10，則輸出值第一點

， 即下圖

範圍是訊號位置 0 至 9 ，如上圖所示，若 p = 9，則計算下一段窗的範圍是在訊號位置 1至 10處，即

兩段相比有 9 個位置重疊。倘若 p = 7，則

，

與前段相比有 7 個訊號位置重疊，以此類推，輸出數列的長度為

，

須注意當 m - p>1 時，輸出數列的長度 K 可能無法整除的狀況，而處理方式為捨去餘數，僅保留完整的窗所計算的結果，因此

。

Rolling statistics 可計算某種統計值，項目與 Basic statistics 模組相同，此處不再贅述。

參數設定(Properties)

本模組接受實數(real number)、複數(complex number)，單通道(single channel)或多通道(multi-channel)，regular的訊號(signal)輸入。參數定義如下。

參數名稱	參數定義	預設值
Type	可選擇想要計算的統計值，詳細清單可見下表。	Mean
Window	設定窗的大小，單位為訊號元素個數。	2
Overlap	設定rolling時重疊元素的數量。	Window -1

Type選項定義如下，計算於窗內範圍的統計量。

選項名稱	選項定義
Sum	計算總合。
Min	數列中最小值。
Max	數列中最大值。
Mean	平均值。
Geometric Mean	幾合平均數。
Harmonic Mean	調合平均數。
Trimmed Mean	截頭尾平均數。
First quartile	數列的四分位值。
Median	數列的中位數。
Third quartile	數列的四分之三分位值。
Quantile	數列的分位數。
StdDev	數列的標準偏差。
Variance	數列的變異數。
VarianceCoef	變異係數。
Skewness	數列的偏度。
Kurtosis	數列的峰度。
Semivariance	半變異數。
SemiStdDev	半標準偏差。

部分選項會再出現參數需要設定，Trimmed Mean 請參考 Basic Statistics 說明文件，Quantile 的參數請參閱 Quartiles and Quantiles 說明文件，其餘統計量的定義請參考模組 Basic Statistics 內容。

範例(Example)

以一組 Brownian Noise 為輸入訊號，計算 rolling statistics 的各項統計值。

相關指令

Basic Statistics，Equiphase Statistics，Quartiles and Quantiles，Merge To Multi-Channel，Channel Viewer。

*Only in Professional*

先針對母體做出一個適當暫時性假設，再依據隨機樣本統計量的抽樣分配，定義出一個拒絕假設的標準，如果樣本統計量計算後落在拒絕區，則推翻原先建立之暫時性假設，否則必須接受暫時性假設。

理論(Theory)

實驗所得到數據包含機會誤差、真實誤差以及其他影響，利用假設檢定來解決這類問題。一般而言包含三個步驟，設定假設、選擇檢定方法、判斷是否接受假設。

虛無假設 ( Null Hypothesis ) : 實驗數據間的差異屬於機會誤差。

對例假設 ( Alternative Hypothesis ) : 實驗數據間的差異屬於真實誤差。

1. Z-test :

Z-test中為輸入訊號的平均(樣本平均)，為假設母體平均，為母體標準差，

n 為輸入訊號數量(樣本數量)。

2. T-test :

T-test中為輸入訊號的平均(樣本平均)，為假設母體平均，為樣本標準差，n 為輸入訊號數量(樣本數量)。

實驗過程中，進行重複相當多次的實驗，實驗結果的平均將會呈現常態分佈 ( 如下圖 )，若要檢驗某次實驗結果是否擁有機會誤差，可以利用Z-test、 T-test，計算出此次實驗平均結果座落常態分佈何處。研究者假設一個拒絕虛無假設範圍，( 以佔常態分佈面積的比例，又稱 Significant Level )，再依照檢定方法 Null (雙尾)、RightTail (右尾) 和 LeftTail (左尾) ( 如下圖 )，判斷實驗平均結果是否落入拒絕範圍。

3.Var-Test (Chi-square variance test) :

Var-test中為樣本變異數，為母體變異數， n 為輸入訊號數量(樣本數量)。

4.Runs-Test ( Runs test of Randomness, Geary test ):

在 Runs-Test 中，為樣本中大於樣本平均值的數量，為樣本中小於樣本平均值的數量，R 為由 a , b 的交替出現次數，列如 aaabbaaba，則 R=5。

參數設定(properties)

Hypothesis Test 目前有四種 One-sample 檢定方法，下面將個別介紹四種檢定方法的參數設定，各參數定義與預設值如下：

參數名稱	參數定義	預設值
View Test Results	利用 Hypothesis Test 檢視計算結果。	無
TestType	z_Test、t_Test、var_Test、runs_Test。	z_Test

如果按下 View Test Result 將會出現檢定結果，顯示結果如下表。

參數名稱	參數定義
Rejected	顯示檢定結果落入拒絕範圍，若顯示 True，表示可以反對虛無假設，反之則只能接受假設。
SignificanceLevel	顯示輸入資料平均值落在母體分佈何處。
CI-Low	虛無假設的範圍的最小值，也是信賴區間的最小值。
CI-High	虛無假設的範圍的最大值，也是信賴區間的最大值。
Run Count	參考理論(Theory)，此值顯示即為 Runs-Test 的 R。
Above Threshold	資料中大於設定門檻的數量。
Below Threshold	資料中小於設定門檻的數量。
z-Value	此結果只出現在 Runs-Test 中，表示計算出的 Z 值。

Z-Test

參數名稱	參數定義	預設值
Mean	設定母體的平均值。	0
Sigma	設定母體的標準差。	1
SignificanceLevel	設定拒絕虛無假設的範圍，佔常態分佈面積的比例。一般常見設定為 0.1、0.05 或 0.01，設定越小，要拒絕虛無假設就越嚴苛。	0.05
Hypothesis	設定檢定方法為 Null (雙尾)，RightTail (右尾，其中輸入資料平均值必須大於樣本平均值)，LeftTail (左尾，其中輸入資料平均值必須小於樣本平均值)	Null

T-Test

參數名稱	參數定義	預設值
Mean	設定母體的平均值。	0
SignificanceLevel	設定拒絕虛無假設的範圍，佔常態分佈面積的比例，一般常見設定為 0.1、0.05 或 0.01，設定越小，要拒絕虛無假設就越嚴苛。	0.05
Hypothesis	設定檢定方法為 Null (雙尾)，RightTail (右尾，其中輸入資料平均值必須大於樣本平均值)，LeftTail (左尾，其中輸入資料平均值必須小於樣本平均值)	Null

Var-Test

參數名稱	參數定義	預設值
Variance	設定母體的變異數。	0
SignificanceLevel	設定拒絕虛無假設的範圍，佔常態分佈面積的比例，一般常見設定為 0.1、0.05 或 0.01，設定越小，要拒絕虛無假設就越嚴苛。	0.05
Hypothesis	設定檢定方法為 Null (雙尾)，RightTail (右尾，其中輸入資料平均值必須大於樣本平均值)，LeftTail (左尾，其中輸入資料平均值必須小於樣本平均值)	Null

Runs-Test

參數名稱	參數定義	預設值
RunsMethod	AboveBelow，UpDown。	AboveBelow
IsExact	計算 P-Value 是否用正確的演算法，此參數只存在 RunsMethod = AboveBelow。	True
RunThreshold	設定門檻，決定資料是否大於小於門檻，如果為(Auto)，則是輸入資料的平均值。	(Auto)
SignificanceLevel	設定拒絕虛無假設的範圍，佔常態分佈面積的比例，一般常見設定為 0.1、0.05 或 0.01，設定越小，要拒絕虛無假設就越嚴苛。	0.05
Hypothesis	設定檢定方法為Null (雙尾)，RightTail (右尾，其中輸入資料平均值必須大於樣本平均值)，LeftTail (左尾，其中輸入資料平均值必須小於樣本平均值)	Null

範例(Example)

本範例將舉出幾個範例，解釋各種檢定方法的使用。

相關指令

Noise、Square、Basic Statistics

*Only in Professional *

用最小平方法算出兩組訊號的回歸線，包括線性回歸、多項式回歸、指數回歸等。此功能如同 Excel 圖表裡加上趨勢線的功能。元件上顯示的名稱為LeastSquareFit 。

說明

最小平方法是用來計算回歸曲線的一種方法，藉由此元件計算出來的回歸曲線來近似數據與時間或是兩組數據之間的關係。本元件提供之回歸曲線種類以及其方程式如下表：

回歸曲線種類	方程式
Linear 線性回歸
Polynomial 多項式回歸
PowerLaw 冪次回歸
Exponential 指數回歸
Logarithm 對數回歸

以線性回歸為例，我們可用方程式 y =ax+b 可說明 X 和 Y 兩組數據之間代表的物理型態。例如在驗證虎克定律的實驗裡面，通常會量測兩組數據：掛在彈簧上的砝碼重以及彈簧的總長度。接著可利用彈簧總長對砝碼重作圖，來求得彈簧的彈性係數 k，如下圖：

上圖黑點為量測的數據點，藍線為經由線性回歸算出來的直線。求得的線性回歸的方程式為

Spring length (彈簧總長) = 0.0907* Force(受力) + 4.99

此即彈簧總長以及受力之間的關係，同時比對虎克定律 F = kx ，上述式子可寫成

Force = 1/0.0907 * (Spring length - 4.99)

因此可知道彈簧原長為 4.99 (cm)，彈簧的彈性係數為 11.02 (g/cm)。由此例子見到我們可藉由線性回歸式得到兩組數據(彈簧長度與受力)之間的關係。雖然量測數據點是離散的，但也可藉由線性回歸式來推測沒有數據之處的數值，例如從上圖可以推測受力為 20 g 時彈簧的總長約為 8.6cm 。對於在介在數據範圍內裡面不知道的xj，可以透過x * a 加上b 來得到yj；而數據範圍外的部分也可以利用線性回歸式來求得，但是由於線性方程是最簡單的近似模型，數據範圍外的預測可能會比較不準。

可是如何判定回歸線的準確度呢? 通常會利用 R square 值來說明數據點與線性方程相近的程度，也用來評估以此線性方程式來代表兩數據關係的是否可信。R sqaure 的計算可見Coefficient of Determination，是一介在0-1之間的數值，1代表完全吻合、0代表完全不吻合。因此若是要說 y=ax+b可以代表此兩組數據的話，通常會要求 R square 值在 0.95 以上(更嚴格的會要求0.99)。

使用說明

本元件把回歸分成兩種類型：

TimeSeries (線性回歸方程式為 x =at+b )，以及

XY (線性回歸方程式為 y=ax+b)

您可以在參數視窗 ( Property Window ) 看到的目前所使用的形式，注意所使用形式是*無法手動修改*的，本元件中會依照輸入數據的格式來自動判斷應該選用TimeSeries或是XY，所以務必確認您使用正確的方式連接此元件。

首先，先決定您想要知道的是 1.一組數據與時間的關係 或是 2. 兩組數據之間的關係 ，再依照下列所敘述的方法來連接。

以上兩種方式為使用本元件的基本方法。

LeastSquareFit 在判斷要使用 TimesSeries 或 XY 時，是從輸入的數目來判斷。如果只有一個輸入，LeastSquareFit 會將此輸入中每一個通道的時間與數值做回歸，而輸出 x =at+b 中的 x。若有兩個輸入，則第一個輸入為X，第二組輸入為Y，使用XY方式做回歸後，輸出回歸方程式裡的 x 與 y 。若一個輸入含有多通道時，其中 TimeSeries 可以依照前段1.中流程圖把每通道中的回歸曲線以及原本數據畫出，但是使用XY線性回歸時，兩輸入的第一通道會互相配對做回歸(第二通道互相配對、第三通道互相配對...以此類推)，而輸出通道依序為x1, y1, x2, y2...等等。若要將所有X-Y 配對之數據以及其回歸曲線畫出，特別注意輸入XY Plot 的通道順序必須要是x1,y1,x2,y2,...(即奇數通道與偶數通道配對)，才能在圖表中正確顯示。可以參閱 XY Plot 的說明。

欲得知此回歸後的係數，找到屬性視窗中的 View Regression Parameters，會跳出如以下的方框：

即可查詢回歸曲線的相關參數。如圖Slope 為斜率，即線性方程式中的係數 a；Intercept 為截距，即線性方程式中的b。Error StdDev 為每一數據點與回歸誤差的平均標準差，用來的得知是回歸線之可信度； R square 值也是用來得知回歸線的可信度，詳見參考資料。

參數說明

本元件接受實數(real number)，單或雙通道(single or multiple channel)，regular的訊號(signal)、聲音訊號(audio)輸入。相關參數說明如下表。

參數名稱	參數定義	預設值
TimeSeries	時間序列的回歸	自動選擇，無法更動
XY	兩物理量的回歸	自動選擇，無法更動

回歸曲線報表之參數定義

參數名稱	參數意義
Channel	通道名
Error StdDev	數據點與回歸誤差的平均標準差
R-Square	Coefficient of Determination
Linear Fitting 線性回歸
Slope	斜率，見公式中的 a1
Intercept	截距，見公式中的 a0
Polynomial Fitting 多項式回歸
a0~an	公式中不同項的係數
PowerLaw Fitting 冪次回歸
Scale	為公式中的A
Exponent	為公式中的B
Exponential Fitting 指數回歸
Intercept	為公式中的 a
Rate	為公式中的 b
Logarithmic 對數回歸
Constant	為公式中的 a
Scale	為公式中的 b

相關指令

XYPlot

參考資料

1. Coefficient of Determination : http://en.wikipedia.org/wiki/Coefficient_of_determination

2. http://mathworld.wolfram.com/LeastSquaresFitting.html