scipy.stats.mood¶

scipy.stats.mood(x, y, axis=0, alternative='two-sided')[源代码]¶

对等尺度参数进行Mod‘s检验。

Mod的两样本尺度参数检验是对两个样本取自同一分布且尺度参数相同的零假设的非参数检验。

参数

x, yarray_like

示例数据数组。

axis整型，可选

测试样品的轴线。 x 和 y 可以具有不同的长度 axis 。如果 axis 是没有的， x 和 y 被展平，并且对展平的数组中的所有值执行测试。

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”：潜在分布的规模 x 和 y 是不同的。
‘less’：底层分布的规模 x 小于基础分布的规模 y 。
“更大”：底层分布的规模 x 大于基础分布的规模 y 。

1.7.0 新版功能.

退货

z标量或ndarray: 假设检验的z分数。对于一维输入，返回标量。
p-value标量ndarray: 假设检验的p值。

参见

fligner: k个方差相等的非参数检验
ansari: 两方差相等的非参数检验
bartlett: 正态样本中k方差相等的参数检验
levene: k个方差相等的参数检验

注意事项

假设数据是从概率分布中提取的 f(x) 和 f(x/s) / s 分别对于某个概率密度函数f。零假设是 s == 1 。

对于多维数组，如果输入是形状 (n0, n1, n2, n3) 和 (n0, m1, n2, n3) ，那么如果 axis=1 ，则生成的z和p值将具有形状 (n0, n2, n3) 。请注意， n1 和 m1 不一定要相等，但其他维度是相等的。

示例

>>> from scipy import stats
>>> rng = np.random.default_rng()
>>> x2 = rng.standard_normal((2, 45, 6, 7))
>>> x1 = rng.standard_normal((2, 30, 6, 7))
>>> z, p = stats.mood(x1, x2, axis=1)
>>> p.shape
(2, 6, 7)

找出比例差异不大的点数：

>>> (p > 0.1).sum()
78

执行不同规模的测试：

>>> x1 = rng.standard_normal((2, 30))
>>> x2 = rng.standard_normal((2, 35)) * 10.0
>>> stats.mood(x1, x2, axis=1)
(array([-5.76174136, -6.12650783]), array([8.32505043e-09, 8.98287869e-10]))

scipy.stats.median_test

scipy.stats.skewtest