scipy.stats.fligner¶

scipy.stats.fligner(*args, center='median', proportiontocut=0.05)[源代码]¶

对方差相等进行Fligner-Killeen检验。

Fligner检验检验了所有输入样本都来自具有相等方差的总体的零假设。当总体相同时，Fligner-Killeen检验是无分布的 [2].

参数

样本1，样本2，.array_like: 示例数据数组。不需要相同的长度。
center{‘Mean’，‘Medium’，‘Trimmed’}，可选: 关键字参数控制在计算测试统计时使用数据的哪个函数。默认值为“Medium”。
proportiontocut浮动，可选: 什么时候 center 是“修剪”的，这给出了要从两端剪切的数据点的比例。(请参阅 scipy.stats.trim_mean 。)默认值为0.05。

退货

statistic浮动: 测试统计数据。
pvalue浮动: 假设检验的p值。

参见

bartlett: 正态样本中k方差相等的参数检验
levene: k个方差相等的稳健参数检验

注意事项

与莱文的测试一样，弗利格纳测试有三种变体，它们在测试中使用的中心倾向测量方法上有所不同。看见 levene 了解更多信息。

Conover等人。(1981)通过广泛的模拟检查了许多现有的参数和非参数检验，他们得出结论，Fligner和Killeen(1976)和Levene(1960)提出的检验在偏离正态和幂的稳健性方面似乎更好 [3].

参考文献

1: PARK，C.和Lindsay，B.G.(1999)。基于二次推理函数的稳健规模估计与假设检验。技术报告#99-03，宾夕法尼亚州立大学可能性研究中心。https://cecas.clemson.edu/~cspark/cv/paper/qif/draftqif2.pdf
2: 弗利格纳，M.A.和基林，T.J.(1976)。无分布的两样本标度检验。“美国统计协会期刊”，第71期(353年)，第210-213页。
3: PARK，C.和Lindsay，B.G.(1999)。基于二次推理函数的稳健规模估计与假设检验。技术报告#99-03，宾夕法尼亚州立大学可能性研究中心。
4: 王晓华，约翰逊，M.E.和约翰逊M.M.(1981)。方差均匀性检验的比较研究，以及在外大陆架投标数据中的应用。技术计量学，23(4)，351-361。

示例

测试列表是否 a ， b 和 c 来自具有相等方差的种群。

>>> from scipy.stats import fligner
>>> a = [8.88, 9.12, 9.04, 8.98, 9.00, 9.08, 9.01, 8.85, 9.06, 8.99]
>>> b = [8.88, 8.95, 9.29, 9.44, 9.15, 9.58, 8.36, 9.18, 8.67, 9.05]
>>> c = [8.95, 9.12, 8.95, 8.85, 9.03, 8.84, 9.07, 8.98, 8.86, 8.98]
>>> stat, p = fligner(a, b, c)
>>> p
0.00450826080004775

较小的p值表明总体的方差不相等。

这并不令人惊讶，因为 b 比之大得多。 a 和 c ：

>>> [np.var(x, ddof=1) for x in [a, b, c]]
[0.007054444444444413, 0.13073888888888888, 0.008890000000000002]

scipy.stats.binomtest

scipy.stats.median_test