一、McNemar怎么读
McNemar的发音为"ma-cnemar"。
二、McNemar检验和卡方检验的区别
McNemar检验也是一种卡方检验，但是它特别适合于配对数据的分析。
三、McNemar检验是什么
McNemar检验是一种用于检验二分类变量是否呈现相关性的统计方法。
举一个例子：某医院想要检验一种新药对头痛症状的治疗效果。他们随机将40名患者分为两组，然后将试验组使用新药，对照组使用老药。在治疗后的一个月内，如果头痛症状减轻，就标注为1，否则为0。最后，我们得到了以下数据：
| 1个月后头痛症状 | ||
| 组别 | 减轻 | 没减轻 |
| 试验组(使用新药) | 27 | 3 |
| 对照组(使用老药) | 21 | 9 |
在上述数据中，试验组中有27个人头痛症状得到了减轻，而对照组中只有21个人。我们想要检验新药是否真的可以帮助缓解头痛的症状。传统的卡方检验不能解决这个问题，因为它不能区分配对数据。这时候，我们可以使用McNemar检验。它的原假设是：
H0: 新老药物治疗头痛的效果没有差别。
备择假设为：
Ha: 新老药物治疗头痛的效果有明显差别。
McNemar检验的统计量为(使用R语言)：
yates_correction <- FALSE mcnemar.test(matrix(c(27,3,21,9), nrow = 2), correct = yates_correction)
代码结果为：
McNemar's Chi-squared test with continuity correction data: matrix(c(27, 3, 21, 9), nrow = 2) McNemar's chi-squared = 4.4713, df = 1, p-value = 0.03433
从代码结果中，我们可以看出p-value为0.03433<0.05，拒绝了原假设，接受备择假设，新老药的治疗头痛症状效果有明显差别。
四、McNemar检验结果怎么看
McNemar检验的结果包括统计量和p值。
如果p值小于显著性水平(一般为0.05)，则我们拒绝原假设；否则我们接受原假设。
需要注意的是，如果样本量太小，那么结果可能会不可靠。通常，建议样本数量应该大于50。
五、McNemar检验知乎
在知乎上可以找到很多关于McNemar检验的问题和答案，例如：
Q: McNemar检验和卡方检验的区别是什么？
A: https://www.zhihu.com/question/47929173
六、McNemar配对
McNemar检验中出现的配对是指每组数据之间的联系。例如，在刚才的例子中，试验组和对照组就是配对的。
这里提供一个R语言的示例：
data(mtcars)
df <- mtcars[,c("am", "gear")]
mMcNemar::SignTest(df$am, df$gear, alt = "twosided", paired = TRUE)
上述语句中，使用mtcars数据集中am和gear列进行配对。结果可以理解为：am是顺变速箱还是手动变速箱，gear是档位数。原假设(H0)是两者的比例是一样的，备择假设(Ha)是两者的比例不一样。SignTest是McNemar检验的一个封装函数。
七、McNemar Test
对于McNemar检验，我们同样可以使用R语言中的stats包进行检验：
yates_correction <- FALSE mcnemar.test(matrix(c(27,3,21,9), nrow = 2), correct = yates_correction)
结果为：
McNemar's Chi-squared test with continuity correction data: matrix(c(27, 3, 21, 9), nrow = 2) McNemar's chi-squared = 4.4713, df = 1, p-value = 0.03433
八、McNemar卡方检验
McNemar检验属于一种特殊的卡方检验，它主要用于分析配对数据。而McNemar卡方检验则可用于非配对数据。相应的R语言代码为：
yates_correction <- FALSE mcnemar.test(matrix(c(27,3,42,56), nrow = 2), correct = yates_correction)
这里的数据没有配对，是另一个例子。由于非配对McNemar卡方检验不敏感，所以一般会与卡方检验进行比较，来判断是否存在显著差异。
九、McNemar配对卡方检验
最后提供一个使用R语言stats包进行McNemar配对卡方检验的代码：
data(mtcars)
df <- mtcars[,c("am", "gear")]
result <- stats::mcnemar.test(with(df, table(am,gear)))
print(result)
上述代码中的数据同样来自mtcars数据集。最后的结果为：
McNemar's Chi-squared test with continuity correction data: with(df, table(am, gear)) McNemar's chi-squared = 2.25, df = 1, p-value = 0.1332
从结果中可以看出，p-value没有小于显著性水平，所以我们不能否认原假设。
