scipy.stats.ansari¶
- scipy.stats.ansari(x, y, alternative='two-sided')[源代码]¶
对同等刻度参数执行Ansari-Bradley测试。
安萨里-布拉德利检验 ([1], [2]) 是对抽取两个样本的分布的尺度参数是否相等的非参数检验。零假设指出,基础分布规模的比率 x 到基础分布的规模 y 是1。
- 参数
- x, yarray_like
示例数据数组。
- alternative{‘双面’,‘少’,‘大’},可选
定义了另一种假设。默认值为“双面”。以下选项可用:
“双面”:刻度比不等于1。
‘less’:刻度比小于1。
‘较大’:比例比大于1。
1.7.0 新版功能.
- 退货
- statistic浮动
Ansari-Bradley检验统计量。
- pvalue浮动
假设检验的p值。
注意事项
当样本大小均小于55且没有平局时,给出的p值是精确的,否则使用p值的正态近似。
参考文献
- 1
Ansari,A.和Bradley,R.A.(1960)离散度的秩和检验,“数理统计年鉴”,第31期,1174-1189页。
- 2
斯普林特,彼得和北卡罗来纳州斯米顿。应用非参数统计方法。第三版。查普曼和霍尔/CRC2001年。第5.8.2节。
- 3
纳撒尼尔·E·赫尔维希在http://users.stat.umn.edu/~helwig/notes/npde-Notes.pdf的“非参数色散和相等测试”(NathanielE.Helwig)
示例
>>> from scipy.stats import ansari >>> rng = np.random.default_rng()
对于这些示例,我们将创建三个随机数据集。前两个数据集大小分别为35和25,取自均值为0且标准差为2的正态分布。第三个数据集大小为25,取自标准差为1.25的正态分布。
>>> x1 = rng.normal(loc=0, scale=2, size=35) >>> x2 = rng.normal(loc=0, scale=2, size=25) >>> x3 = rng.normal(loc=0, scale=1.25, size=25)
首先我们申请
ansari
至 x1 和 x2 。这些样本来自相同的分布,所以我们预计Ansari-Bradley检验不会导致我们得出分布规模不同的结论。>>> ansari(x1, x2) AnsariResult(statistic=541.0, pvalue=0.9762532927399098)
在p值接近1的情况下,我们不能得出在刻度上有显著差异的结论(正如预期的那样)。
现在将测试应用于 x1 和 x3 :
>>> ansari(x1, x3) AnsariResult(statistic=425.0, pvalue=0.0003087020407974518)
在等尺度的零假设下,观察到这样一个统计量极值的概率仅为0.03087%。我们以此作为反对零假设的证据,支持另一种选择:样本的分布规模是不相等的。
我们可以使用 alternative 参数执行单尾测试。在上面的示例中, x1 大于 x3 因此,比例的比例 x1 和 x3 大于1。这意味着当p值
alternative='greater'
应该接近于0,因此我们应该能够拒绝零假设:>>> ansari(x1, x3, alternative='greater') AnsariResult(statistic=425.0, pvalue=0.0001543510203987259)
我们可以看到,p值确实很低。使用
alternative='less'
因此应产生较大的p值:>>> ansari(x1, x3, alternative='less') AnsariResult(statistic=425.0, pvalue=0.9998643258449039)