scipy.stats.

alexandergovern#

scipy.stats.alexandergovern(*samples, nan_policy='propagate', axis=0, keepdims=False)[源代码]#

执行 Alexander Govern 检验。

Alexander-Govern 近似检验用于检验在方差异质性的情况下 k 个独立均值的相等性。该检验应用于来自两个或多个组的样本,这些组的大小可能不同。

参数:
sample1, sample2, …类数组

每个组的样本测量值。必须至少有两个样本,并且每个样本必须包含至少两个观察值。

nan_policy{‘propagate’, ‘omit’, ‘raise’}

定义如何处理输入 NaN。

  • propagate:如果沿计算统计量的轴切片(例如,行)中存在 NaN,则输出的相应条目将为 NaN。

  • omit:执行计算时将忽略 NaN。 如果沿计算统计量的轴切片中剩余的数据不足,则输出的相应条目将为 NaN。

  • raise:如果存在 NaN,将引发 ValueError

axisint 或 None, 默认值: 0

如果为 int,则为输入中沿其计算统计量的轴。 输入的每个轴切片(例如,行)的统计量将显示在输出的相应元素中。 如果 None,则在计算统计量之前将平铺输入。

keepdimsbool, 默认值: False

如果设置为 True,则缩减的轴将作为大小为 1 的维度保留在结果中。 使用此选项,结果将针对输入数组正确广播。

返回:
resAlexanderGovernResult

具有属性的对象

statisticfloat

测试的计算 A 统计量。

pvaluefloat

来自卡方分布的关联 p 值。

警告:
ConstantInputWarning

如果输入是常数数组,则引发。 在这种情况下未定义统计量,因此返回 np.nan

另请参阅

f_oneway

单向 ANOVA

说明

此测试的使用依赖于几个假设。

  1. 样本是独立的。

  2. 每个样本都来自正态分布的总体。

  3. f_oneway 不同,此检验不假设同方差性,而是放宽了相等方差的假设。

输入样本必须是有限的、一维的,并且大小大于一。

从 SciPy 1.9 开始,np.matrix 输入(不建议用于新代码)在执行计算之前会转换为 np.ndarray。 在这种情况下,输出将是标量或具有适当形状的 np.ndarray,而不是二维 np.matrix。 同样,虽然会忽略掩码数组的掩码元素,但输出将是标量或 np.ndarray,而不是具有 mask=False 的掩码数组。

参考文献

[1]

Alexander, Ralph A., 和 Diane M. Govern. “一种在方差异质性下用于 ANOVA 的新的更简单的近似方法。” Journal of Educational Statistics, vol. 19, no. 2, 1994, pp. 91-101. JSTOR, www.jstor.org/stable/1165140. 访问于 2020 年 9 月 12 日。

示例

>>> from scipy.stats import alexandergovern

以下是取自美国国家标准与技术研究院 ANOVA 数据集的四个美国城市中九家最大银行的新车贷款年利率数据。

我们使用 alexandergovern 来检验所有城市都具有相同的平均 APR 的零假设,以及所有城市不都具有相同的平均 APR 的备择假设。 我们确定需要 5% 的显着性水平才能拒绝支持备择假设的零假设。

>>> atlanta = [13.75, 13.75, 13.5, 13.5, 13.0, 13.0, 13.0, 12.75, 12.5]
>>> chicago = [14.25, 13.0, 12.75, 12.5, 12.5, 12.4, 12.3, 11.9, 11.9]
>>> houston = [14.0, 14.0, 13.51, 13.5, 13.5, 13.25, 13.0, 12.5, 12.5]
>>> memphis = [15.0, 14.0, 13.75, 13.59, 13.25, 12.97, 12.5, 12.25,
...           11.89]
>>> alexandergovern(atlanta, chicago, houston, memphis)
AlexanderGovernResult(statistic=4.65087071883494,
                      pvalue=0.19922132490385214)

p 值为 0.1992,表明在零假设下观察到如此极端的检验统计量值的概率接近 20%。 这超过了 5%,因此我们不拒绝支持备择假设的零假设。