正如@caracal 所说，这个脚本实现了一种基于排列的方法来使用硬币包进行弗里德曼的测试。maxT 过程相当复杂，并且与您可能习惯于在弗里德曼方差分析后得到统计数据没有关系。总体思路是控制FWER$\chi^2$. 假设您对每个感兴趣的变量执行 1000 次排列，那么您不仅可以得出每个变量的逐点经验 p 值（就像您对单个排列测试所做的那样），还可以得出一个说明您测试的事实的值所有这些变量同时进行。后者是通过将每个观察到的测试统计量与所有变量的排列统计量的最大值进行比较来实现的。换句话说，如果您执行了尽可能多的测试，则此 p 值反映了看到与您观察到的一样大的测试统计量的机会。更多信息（在基因组环境中，并考虑算法）可以在

Dudoit, S.、Shaffer, JP 和 Boldrick, JC (2003)。微阵列实验中的多重假设检验。统计科学，18（1），71-103。

（以下是同一作者的一些幻灯片，其中包含带有multtest包的 R 应用程序。）

另一个很好的参考资料是Multiple Testing Procedures with Applications to Genomics，作者是 Dudoit 和 van der Laan（Springer，2008 年）。

现在，如果您想获得更多“传统”统计数据，您可以使用agricolae包，该包具有friedman()执行整体弗里德曼检验和事后比较的功能。

置换方法产生 maxT=3.24，p=0.003394，表明在考虑阻塞因子时目标的整体效应。事后检验基本上表明，只有 Wine A 与 Wine C (p=0.003400) 的结果在 5% 的水平上有统计学差异。

使用非参数检验，我们有

> library(agricolae)
> with(WineTasting, friedman(Taster, Wine, Taste, group=FALSE)) 
Friedman's Test
===============
Adjusted for ties
Value: 11.14286
Pvalue chisq : 0.003805041
F value : 7.121739
Pvalue F: 0.002171298

Alpha     : 0.05
t-Student : 2.018082

Comparison between treatments
Sum of the ranks

                Difference   pvalue sig   LCL   UCL
Wine A - Wine B          6 0.301210     -5.57 17.57
Wine A - Wine C         21 0.000692 ***  9.43 32.57
Wine B - Wine C         15 0.012282   *  3.43 26.57

这两个全球测试一致，基本上都说葡萄酒类型有显着影响。然而，我们会就成对差异得出不同的结论。应该注意的是，上述成对检验（Fisher 的 LSD）并未真正针对多重比较进行校正，尽管即使在 Holm 校正之后差异 BC 仍然显着（这也提供了对 FWER 的强大控制）。