精华内容
下载资源
问答
  • 展开全部参数检62616964757a686964616fe59b9ee7ad9431333366303234验是针对参数做的假设,非参数检验是针对总体分布情况做的假设,这个是区分参数检验和非参数检验的一个重要特征。参数检验和非参数检验的本质区别:...

    展开全部

    参数检62616964757a686964616fe59b9ee7ad9431333366303234验是针对参数做的假设,非参数检验是针对总体分布情况做的假设,这个是区分参数检验和非参数检验的一个重要特征。

    参数检验和非参数检验的本质区别:

    1.参数检验要利用到总体的信息(总体分布、总体的一些参数特征如方差),以总体分布和样本信息对总体参数作出推断;非参数检验不需要利用总体的信息(总体分布、总体的一些参数特征如方差),以样本信息对总体分布作出推断。

    2.参数检验只能用于等距数据和比例数据,非参数检验主要用于记数数据。也可用于等距和比例数据,但精确性就会降低。

    扩展资料:

    参数检验与非参数检验的优缺点。

    1)参数检验:优点是符合条件时,检验效率高;其缺点是对资料要求严格,如等级数据、非确定数据(>50mg)不能使用参数检验,而且要求资料的分布型已知和总体方差相等。

    2)非参数检验:优点是应用范围广、简便、易掌握;缺点是若对符合参数检验条件的资料用非参数检验,则检验效率低于参数检验。如无效假设是正确的,非参数法与参数法一样好,但如果无效假设是错误的,则非参数检验效果较差,如需检验出同样大小的差异的差异往往需要较多的资料。

    另一点是非参数检验统计量是近似服从某一部分,检验的界值表也是有近似的(如配对秩和检验)因此其结果有一定近似性。

    1、提出检验假设又称无效假设,符号是H0;备择假设的符号是H1。

    H0:样本与总体或样本与样本间的差异是由抽样误差引起的;

    H1:样本与总体或样本与样本间存在本质差异;

    预先设定的检验水准为0.05;当检验假设为真,但被错误地拒绝的概率,记作α,通常取α=0.05或α=0.01。

    2、选定统计方法,由样本观察值按相应的公式计算出统计量的大小,如X2值、t值等。根据资料的类型和特点,可分别选用Z检验,T检验,秩和检验和卡方检验等。

    3、根据统计量的大小及其分布确定检验假设成立的可能性P的大小并判断结果。若P>α,结论为按α所取水准不显著,不拒绝H0,即认为差别很可能是由于抽样误差造成的,在统计上不成立。

    如果P≤α,结论为按所取α水准显著,拒绝H0,接受H1,则认为此差别不大可能仅由抽样误差所致,很可能是实验因素不同造成的,故在统计上成立。P值的大小一般可通过查阅相应的界值表得到。

    两独立样本的非参数检验是在对总体分布不甚了解的情况下,通过对两组独立样本的分析来推断样本来自的两个总体的分布等是否存在显著差异的方法。独立样本是指在一个总体中随机抽样对在另一个总体中随机抽样没有影响的情况下所获得的样本。

    SPSS中提供了多种两独立样本的非参数检验方法,其中包括曼-惠特尼U检验、K-S检验、W-W游程检验、极端反应检验等。

    某工厂用甲乙两种不同的工艺生产同一种产品。如果希望检验两种工艺下产品的使用是否存在显著差异,可从两种工艺生产出的产品中随机抽样,得到各自的使用寿命数据。

    展开全文
  • 参数检验的特点: 分析目的:对总体参数(μ π)进行估计或检验。 分 布:要求总体分布已知,如: • 连续性资料——正态分布 • 计 数 资 料——二项分布、POISSON分布等 统 计 量:明确的理论依据(t分布、u...

     

    参数检验:若样本所来自的总体为分布已知的数学形式(如正态分布),对其总体参数进行假设检验,则称为参数检验。

    参数检验的特点:
    分析目的:对总体参数(μ π)进行估计或检验。
    分    布:要求总体分布已知,如:
    连续性资料 —— 正态分布
    计 数 资 料 —— 二项分布、POISSON分布等
    统 计 量:有明确的理论依据(t分布、u分布)
    有严格的适用条件,如:
    正态分布         Normal
    总体方差齐       Equal Variance
    数据间相互独立   Independent

     

    非参数检验:对总体分布不做严格假定,也不对总体参数进行统计推断,而是直接对总体分布的位置进行假设检验。由于这类方法不受总体参数的限制,故称非参数检验,又称任意分布检验distribution-free test

    非参数检验适用的范围:

    ①  总体分布形式未知或分布类型不明(尤其小样本);

    ②  偏态分布的资料(非正态分布的资料)不满足参数检验条件的资料:各组方差明显不齐

    ③  等级资料:不能精确测定,只能以严重程度、优劣等级、次序先后等表示 ——单向有序行×列表资料

    数据一端或两端是不确定数值, (必选)如“>50kg”等。

     

    非参数检验的优缺点:

        优点:

    适用范围广
    对数据要求不严
    方法简便、易于理解和掌握

        缺点:

    损失信息、检验效能低

    凡符合或经过变换后符合参数检验条件的资料,最好用参数检验。当资料不具备参数检验的条件时,非参数检验是一种有效的分析方法

    对符合用参数检验的资料,如用非参数检验,会丢失信息,导致检验效率下降,类错误的可能性比参数检验大
     

    拒绝H0时,可能拒绝了实际上成立的H0,这类错误称为Ⅰ类错误(“弃真”),其概率大小用α表示。常称之为检验水准

    不拒绝H0时,没有拒绝实际上不成立的H0,这类错误称为Ⅱ类错误(“存伪”),其概率大小用β表示。

     

    展开全文
  • 因为3个独立样本(3个组),因此进行非参数检验K个独立样本检验 1.输入数据 组别类型为名义,双击即可更改 2.进行非参数检验 点击分析→非参数检验→旧对话框→K个独立样本 选择分组变量和检验变量列表,我...

    在进行单因素ANOVA检验时结果显示p=0.007<0.05,因此未能通过方差齐性检验,
    因此改用非参数检验方法。
    在这里插入图片描述
    因为有3个独立样本(3个组),因此进行非参数检验K个独立样本检验

    1.输入数据

    组别类型为名义,双击即可更改

    2.进行非参数检验

    点击分析非参数检验旧对话框K个独立样本

    选择分组变量和检验变量列表,我的分组变量为,检验变量为斜率

    定义组范围,因为我是3个独立样本,所以范围为1-3

    对描述和四分位数有需要的同学可以在选项里勾选

    选择检验类型,一般勾选第一个克鲁斯卡尔-沃利斯 H就ok了

    在这里插入图片描述
    看结果,渐进显著性=0.000<0.05,因此我这三个组的斜率存在显著差异。(若渐进显著性>0.05,则这三个组的斜率无显著差异)

    欢迎小伙伴讨论,文章内容如有错误请在评论区评论或发私聊消息,谢谢你。

    展开全文
  • 但是只有给定数据集和被选择分布近似时候才能正常工作,否则就要用非参数检验就是因为它不依赖服从特定分布。所以在参数检验之前,需要做正态性检验。一、正态性检验因为在假设检验过程中很多场景需要判断...

    03ff43a53454acf8be57f7691be9dc7c.png

    检验分为参数检验和非参数检验。参数检验假定数据可以由一个或多个参数定义的分布很好地描述,在大多数情况下是通过正态分布来描述的。对于给定的数据集,需要确定并解释该分布的最佳拟合参数和它们的置信区间。但是只有给定的数据集和被选择的分布近似的时候才能正常工作,否则就要用非参数检验就是因为它不依赖服从特定的分布。

    所以在参数检验之前,需要做正态性检验。

    一、正态性检验

    因为在假设检验过程中有很多场景需要判断总体是否服从正态分布,所以要在实验前先判断总体的分布情况,判断总体是否是正态分布的方法有如下几种:

    (1)概率图

    • QQ图 Q指的是quantile(分位数),将给定数据集的分位数和参考分布的分位数一起绘制
    • PP图 将guessing数据集的CDF和参考分布的CDF一起绘制
    • 概率图 绘制了给定数据集的有序数值和参考分布的分位数

    (2)常见分布

    • 基于和给定分布比较最佳拟合的检验 常根据CDF来确定
    • 基于样本的描述性统计学的检验 如偏度检验、峰度检验等

    二、假设检验

    假设检验是在统计学中非常重要的知识点,也是各大面试中的高频考点,而且在工作中最常用到的一个场景ABtest,也是高频点,接下来就捋一下那些年我们一起学过的假设检验...

    假设检验的思想就是小概率事件,是先对未知总体参数进行一个假设,然后再用样本信息对这个假设是否成立进行验证。在工作场景中最常见的应用就是ABtest。假设检验就是首先对参数提出一个假设,然后用样本信息去检验这个假设是否成立。

    (1)第一类错误和第二类错误

    第一类错误是弃真错误alpha,也就是在原假设是真的前提下被拒绝的概率,在工作中也就是AB两种方案没有差别,但却认为两者有差别而导致错误上线的情况,又叫做显著性水平,是由人们根据检验的要求确定的,一般是0.05或者0.01,也就是当做出接受原假设的决定时,正确的概率是95%或者99%,是从我们能接受的精确度来出发的,根据边界来看是落入接受域还是拒绝域。在参数估计中,alpha表示风险值,是总体均值不包括在置信区间内的概率,其实就是原假设为真的时候落入拒绝域的概率,1-alpha是置信水平,其实也就是落入接受域的概率。置信区间包括总体均值=原假设为真落入接受域,置信区间不包括总体均值=原假设为真落入拒绝域,参数估计和假设检验都是利用样本对总体进行推断,只是推断的角度不同,实际上最终的结果是一致的。

    P值是对第一类错误的更精确的度量,如果最开始就限定了第一类错误,那么只要落入拒绝域的都会拒绝,但并不知道拒绝的程度有多大,相当于第一类错误只是一个通用的风险,但是不同场景下其实风险是不同的,所以要利用P值来更精确地反映决策的风险度。P值的含义是当原假设为真时所得到的样本观察结果或者更极端结果出现的概率。如果P值很小,说明这种情况发生的概率很小,而如果发生了,根据小概率原理,那么有理由拒绝原假设,P值越小,我们拒绝原假设的理由越充分。换句话说,也就是在原假设为真的前提下,仅仅因为运气而得到一个极端或者更极端的值的可能性,它是用来测量假设的证据。

    它的优点是反映了观察到的实际数据(每次抽样计算得到的P值是不同的)与原假设之间不一致的概率值,而不只是一个边界值,提供了更多的信息。如果事先确定了显著性水平比如0.05,那么在双侧检验中如果P>0.025不能拒绝原假设,P<0.025拒绝原假设。

    第二类错误是采伪错误beta,也就是在原假设为假的前提下被接受的概率,在工作中也就是AB两种方案确实有差异的前提下,能够被检测出来的概率,但是能够被检测出来也是需要一定的条件的,比如样本量等才会检测出来,这里不得不提一个概念:功效分析

    a77bb16d73df077f9dfbb150bada59a5.png

    功效就是在备择假设为真的情况下,检验正确地拒绝了原假设的概率。

    功效分析包括4个因素:

    • 第一类错误的概率
    • 第二类错误的概率
    • 效应的大小,即所研究的功效相对样本的标准差的大小
    • 样本大小

    只有3个可被选择,第4个固定住了。

    在假设检验中,我们会在控制犯第一类错误的前提下减少犯第二类错误的概率,在选择第一类错误的时候,是以H0为真的前提下进行的,也就是正常情况下事件结果应该和H0相差不远,如果发生了与H0不一致的、概率小于显著性水平的事件,则拒绝H0,否则不拒绝H0。这种反证法的保证了犯第一类错误的概率不超过alpha,但无法提供犯第二类错误的概率,可以采用功效分析的方式。

    (2)假设检验的具体流程

    假设检验的具体流程有:

    • 首先提出原假设和备择假设
    • 确定合适的检验统计量,通常要根据样本量的大小、总体标准差是已知还是未知,这些因素与参数估计确定统计量的标准相同
    • 选择了合适的统计量,然后根据样本算其数值
    • 根据计算结果,看是否落在拒绝域。以0.05为例,如果原假设为真,那么一次试验中统计量落在两侧拒绝域的概率只有0.05,这个概率很小,如果这个情况真的出现,那么我们有理由拒绝原假设。
    • 检验分单侧和双侧,双侧有两个拒绝域两个临界值,即如果出现了>或者<的任意情况,就可以拒绝原假设;而单侧,就是当假设问题带有方向性,一些问题我们希望越大越好,比如灯泡的寿命等,另一些问题我们希望越小越好,比如废品率,这时候我们就要用单侧。
    • 单侧的方向由原假设的方向来定,如果原假设是>=,那么是左侧检验,也就是希望值越大越好,关心的是数据的下界,拒绝域在左侧。
    • 关于如何确定原假设和备择假设,通常原假设是我们原有的、传统的观点,希望验证的观点放在备择假设上,由于拒绝原假设需要落入拒绝域,那么原假设其实是具有优势的,由小概率原理,备择假设在一次实验中是不容易发生的,但一旦发生就有充足的理由拒绝原假设;对于左侧和右侧来说,如果是一个比较优质的情况,人们更愿意选择左侧检验,因为相信它是符合预期的,使得达到标准的产品只以很低的概率被拒绝;而对于一个比较不好的情况,人们更愿意相信它可能还是不好的,所以选择右侧检验,必须要充分好人们才能够相信它确实好

    (3)检验统计量的确定

    主要由两点来决定:

    • 样本量
    • 总体标准差是已知还是未知

    也就是在大样本的情况下,无论总体是否是正态分布,无论总体标准差是否已知,都使用z统计量,因为在大样本下,根据中心极限定理,样本近似于正态分布,总体标准差未知的情况下可以用样本标准差s来代替;而如果是小样本的情况下,如果总体标准差已知且为正态分布那么就可以使用z统计量,如果总体标准差未知只能使用t统计量

    三、拟合优度检验(一个分类变量)

    (1)基本定义

    根据总体的分布状况,计算出分类变量中各类别的期望频数,与分布的观察频数对比,判断期望频数和观察频数是否有显著差异,从而达到对分类变量分析的目的。可以对二项分布进行检验也可以对多项分布做检验。

    (2)分析步骤

    用到的检验统计量为卡方统计量:

    c855d63c4c01e65aa92e859efc1a5ae7.png

    它可以用来测定分类变量之间的相关程度,f0表示观察值频数,f1表示期望值频数,随着自由度的增大而逐渐趋向正态分布,可以用来对分类数据进行拟合优度检验和独立性检验,其临界值的自由度是由分类变量的个数来决定的,是个数-1,最常见的是泰坦尼克的生存结果和男女是否有关系。

    比如在做AB test中,A和B的短信文案不同导致最后的结果有差异,但是如果妄下结论认为确实A好于B或者B好于A是不合理的,这时可以借助拟合优度检验来辅助检测这种差异究竟是真正的差异还是由于样本的随机性导致的差异。

    四、独立性检验(两个分类变量)

    拟合优度检验是对一个分类变量的检验,而独立性检验是对两个分类变量的检验,也被称为列联表检验。列联表检验是由两个以上的变量进行交叉分类的频数分布表,独立性检验就是分析列联表中行变量和列变量是否独立,也就是如下的地区和原料质量是否存在依赖关系。

    0f23baf51f5e463475a0f987f2ee46a2.png

    核心还是上面的计算规则,只不过期望的计算变成了如下的计算方式:

    假设两个变量之间是相互独立的,那么第一个单元格的期望比例计算是:

    c8c3b5cc802f2c8ad429344418352bf4.png

    那么第一单元的期望值是0.09072*500=45.36

    计算每个单元中频数的期望值为RT*CT/n,其中RT是单元所在行的合计,CT是所在列的合计,n为观察值的总数。同样要用到卡方检验。

    五、方差分析(ANOVA)

    (1)基本定义

    名字是方差分析,其实主要是比较总体的均值,在判断均值是否有差异时要借助方差。

    方差分析是检验多个总体的均值是否相等来判断分类型自变量对数值型因变量是否有影响。它的优点是可以增加分类的可靠性。如果要研究4个总体的均值那么要两两比较需要比较6次,如果每次犯第一类错误的概率都是0.05,那么随着实验次数的增多会增大犯错误的概率。一般来说,随着增加个体显著性检验的次数,偶然因素导致差别的可能性也会增大(并非均值真的存在差别),而方差分析就是同时考虑所有的样本,因此排除了错误累积的概率,从而避免拒绝一个真实的原假设。

    其实方差分析是通过对数据误差来源的分析来判断不同总体的均值是否相等从而来分析自变量是否对因变量有显著影响。误差主要有两个来源:一是组内误差(SSE)二是组间误差(SSA)。组内误差就是由于随机因素造成的组内随机误差,组间误差就是不同水平之间的误差,这种误差可能是由于随机性导致的也可能是由于本身的系统性误差导致的,误差是用平方和来表示的。总的误差为SST,有SST=SSE+SSA,也就是说,如果不同水平之间没有差异,那么组间误差就应该近似等于组内误差,比值就会接近1,而如果本身存在差异那说明还存在系统误差,这样比值就会>1,比值越大说明水平之间的差异越大,这样说明自变量确实对因变量有影响。

    基本假定:

    • 每个总体应该服从正态分布
    • 各个总体的方差必须相同
    • 观测值是独立的

    (2)分析步骤

    方差分析中的误差可以拆解为两部分:SST=SSE+SSA

    总平方和SST为全部观测值与总均值的误差平方和,组间平方和SSA为各组均值与总均值的误差平方和,组内平方和SSE为各组观测值与各组均值的误差平方和,用到的是F统计量。

    413c65fab3d4dfe39d522bff32e9b59d.png

    跟临界值比较,若计算出来的统计量的值>临界值,那么要拒绝原假设,也即不同水平之间有显著差异(差异越大值越大),否则就不拒绝原假设。

    (3)其他

    • 关系强度的测量

    df038bc40bb686c986f074cf84fcb490.png

    也就是看因变量有多少比例可以被自变量解释

    • 多重比较

    费希尔提出的最小显著性差异方法

    展开全文
  • Python | KS检验以及其余非参数检验的实现1 什么是KS检验2 KS检验分类?3 KS检验的Python实现3.1 检验指定的数列是否服从正态分布3.2 检验指定的两个数列是否服从相同分布4 其余的非参数检验4.1 Wilcoxon符号秩检验...
  • 什么是组间差异检验?就是组间差异分析以及显著性检验,应用统计学上假设检验方法,检验组间是否差异及其差异程度。坦率地讲,所有差异检验都基于一个假设:组...参数与非参数检验所以,本着负责态度,在...
  • 参数检验适用于不了解样本所来自总体分布律时情形--由于不了解分布律,便不可能选用任何参数(例如方差或是均值)。本文总结了alevel further statistics chapter 11中全部三大类型无参检验(对应样本大时...
  • 可以看作是对两均值之差的参数检验方式的T检验或相应的大样本正态检验的代用品。由于曼-惠特尼秩和检验明确地考虑了每一个样本中各测定值所排的秩,它比符号检验法使用了更多的信息。 如果两组的测量不是正态分布的...
  • 总体参数的假设检验

    2018-08-30 10:22:00
    关于总体参数的假设检验的课件资源,对于讲课需求的朋友有用
  • 参数检验:通过样本预测分布参数,需要预知变量分布模型 非参数检验:通过样本预测分布形态,无需预知变量分布模型 参考百度 2.统计学习方法模型,策略,算法 讨论方法:概率法,实数域映射法 回想昨天...
  • Introduction有参数传递地方都少不了参数校验。在web开发中,前端的参数校验是为了用户体验,后端的参数校验是为了安全。试想一下,如果在controller层中没有经过任何校验的参数通过service层、dao层一路来到了...
  • 参数检验

    2015-11-01 20:34:00
    前面介绍的参数估计和假设检验的方法在统计上都隶属于参数统计的范畴,它们的共同点都是假定已知总体的分布的具体形式(如假定总体服从正太分布),只是存在一些待估计或检验的未知参数,我们根据抽取的样本建立估计...
  • Spss中非参数检验中两个独立样本检验中四个复选项区别和适用范围   1.Mann-Whitney U: 主要用于判别两个独立样本所属总体是否相同分布; 2. Kolmogorov-Smirnov Z: 推测两个样本是否来自具有相同分布...
  • 序曲快要临近春节了,但持续一年之久疫情还在继续,不知是否会影响到今年春节回家之路。今天故以杜甫思乡诗开头。月夜忆舍弟唐 杜甫戍鼓断人行,边秋一雁声。...非参数检验简介在前面章节中谈...
  • 卡方检验一般是用来对样本总体分布进行检验的参数检验方法。比如说人的血型和性格是否关系,如今的人口结构和很多年前是否还是一样等等情况都可以使用卡方检验进行分析。我们先来看一下卡方检验的原假设,也就是...
  • 符号检验利用了观察值和原假设中心位置之差符号来进行检验,但是没有利用这些差值大小所包含信息。不同符号代表了在中心位置哪一边,而差绝对值大小代表了距离中心远近。 1. 统计量秩 1.1. 秩...
  • 1.两独样本参数参数检验 1.1.Welcoxon秩和检验 先将两样本看成是单一样本(混合样本)然后由小到大排列观察值统一编秩。如果原假设两个独立样本来自相同总体为真,那么秩将大约均匀分布在两个样本中,即小...
  • 前段时间把贾俊平《统计学》学习了一下,由于...下面放一下我自己整理关于:假设检验、参数检验(t检验)、非参数检验(t检验)、方差检验(F检验),卡方检验(期望)各类详细分类。参数检验是指,自己提前设...
  • 当总体分布不能已知数学形式表达、没有总体参数时,就谈不上参数检验。若两个或多个总体方差不等,也不能对其总体均数进行t 检验或F检验。 对于计量资料,不满足参数检验,可尝试1、变量变换,2、非参数检验。 ...
  • SpringMVC之参数检验

    千次阅读 2018-09-17 16:10:25
    项目开发中我们经常需要对接口参数进行检验,有些...没有方法可以把参数检验统一在一个地方进行,不对我们业务代码进行干扰呢? SpringMVC给我们提供了一些支持数据校验注解,如@NotNull,@NotBlank,@Lengt...
  • 参数检验和卡方检验

    千次阅读 2015-06-06 20:37:44
    但是,由于假设检验是根据样本提供信息进行推断,也就犯错误可能。这样一种情况,原假设正确,而我们却把它当成错误加以拒绝。犯这种错误概率用α表示,统计上把α称为假设检验显著性水平,,也...
  • 后端入口方法这里 一般都会去检测这些参数的规范性吧,比如 手机号码格式,顾客姓名是否特殊字符,验证码是否是null,,一系列很多问题。我是这样写@At("/workinfo")@GET@Ok("json:full")@Fail("...
  • 用Python做非参数检验

    千次阅读 2018-11-21 22:23:44
    显著性检验是用于检测科学实验中实验组与对照组之间是否差异以及差异是否显著办法。...参数检验要求样本来源于正态总体(服从正态分布),且这些正态总体拥有相同方差,在这样基本假定(正态性...
  • # -*- coding: utf-8 -*-"""Created on Sun Jul 21 14:26:22 2019《Python数据分析基础》中国统计出版社@author: User"""#import numpy as npfrom scipy import statsimport pandas as pd#import statsmodels.api as...
  • 前面介绍的处理连续数据的统计分析方法为参数检验,参数检验对于总体的分布一定的要求,参数检验的条件较为严格,如 t 和 F 的独立性、正态性和方差齐性。当资料不满足时,理论上运用上述方法会一定的误差,如果...
  • 参数检验(parameter test)全称参数假设检验,是指对参数平均值、方差进行统计检验。参数检验是推断统计重要组成部分。当总体分布已知(如总体为正态分布),根据样本数据对总体分布统计参数进行推断。 先由...
  • 集中趋势和离散趋势的度量: 众数、中位数和平均数: 方差和标准差: 相对离散程度:离散系数的作用: 怎样理解置信区间 影响区间宽度的因素 解释95%的置信区间 ...参数估计和假设检验的区别和联系 假设检验的步骤
  • 介绍最基本的假设检验问题: 一样本和两样本正态总体的有 关均值和方差的检验, 简单的大样本检验 (0-1 分布参数的假设检验).
  • 似然比是逻辑回归参数检验的一种方法 假设我们的逻辑回归n个特征,需要对其中的x1特征对于的参数w1做参数检验 1、计算包含全部特征的预测概率似然估计L0 2、扣除x1特征进行重新拟合逻辑回归,计算新的逻辑...
  • 一类伪距离用于使用变换后数据或间距来得出测试统计信息,以测试参数模型拟合优度。 这些统计数据可以视为基于密度...也可能取决于真实参数的向量,但EDF检验对于替代假设所指定某些特定模型功能可能更强大。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,979
精华内容 791
关键字:

参数检验的有