scipy.stats.

bartlett#

scipy.stats.bartlett(*samples, axis=0, nan_policy='propagate', keepdims=False)[source]#

执行 Bartlett 检验以检验方差是否相等。

Bartlett 检验用于检验所有输入样本是否来自具有相等方差的总体。对于来自显著非正态总体的样本,Levene 检验 levene 更稳健。

参数:
sample1, sample2, …类数组

样本数据数组。只接受一维数组,它们可以有不同的长度。

axisint 或 None,默认值:0

如果为 int,则为输入轴,沿该轴计算统计量。输入的每个轴切片(例如行)的统计量将出现在输出的相应元素中。 如果 None,则在计算统计量之前将输入展平。

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

定义如何处理输入 NaN。

  • propagate:如果存在 NaN 于轴切片(例如行)中,则沿着该轴计算统计量,输出的相应条目将为 NaN。

  • omit:计算时将省略 NaN。 如果沿其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

keepdimsbool,默认值:False

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

返回:
statisticfloat

检验统计量。

pvaluefloat

检验的 p 值。

另请参见

fligner

一种用于检验 k 个方差是否相等的非参数检验

levene

一种用于检验 k 个方差是否相等的稳健参数检验

Bartlett 检验,用于检验方差是否相等

扩展示例

注释

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) 以及 Levene (1960) 提出的检验在偏离正态性的稳健性和功效方面表现出更优越的性能 ([3])。

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 2D np.matrix。类似地,虽然会忽略 masked 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 masked 数组。

参考

[2]

Snedecor, George W. 和 Cochran, William G. (1989), Statistical Methods, Eighth Edition, Iowa State University Press.

[3]

Park, C. 和 Lindsay, B. G. (1999). Robust Scale Estimation and Hypothesis Testing based on Quadratic Inference Function. Technical Report #99-03, Center for Likelihood Studies, Pennsylvania State University.

[4]

Bartlett, M. S. (1937). Properties of Sufficiency and Statistical Tests. Proceedings of the Royal Society of London. Series A, Mathematical and Physical Sciences, Vol. 160, No.901, pp. 268-282.

示例

检验列表 abc 是否来自具有相等方差的总体。

>>> import numpy as np
>>> from scipy import stats
>>> 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 = stats.bartlett(a, b, c)
>>> p
1.1254782518834628e-05

非常小的 p 值表明总体不具有相等的方差。

鉴于 b 的样本方差远大于 ac 的样本方差,这并不奇怪

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

有关更详细的示例,请参阅 Bartlett 检验,用于检验方差是否相等