scipy.stats.

brunnermunzel#

scipy.stats.brunnermunzel(x, y, alternative='two-sided', distribution='t', nan_policy='propagate', *, axis=0, keepdims=False)[源代码]#

对样本 x 和 y 计算 Brunner-Munzel 检验。

Brunner-Munzel 检验是对于当从每个组中逐个获取值时，在两组中得到较大值概率相等的原假设进行的非参数检验。它不同于 Wilcoxon-Mann-Whitney 的 U 检验，它不要求两个组等价的假设。注意，这并不假设两个分布相同。该检验针对两个独立样本进行，它们的大小可能不同。

参数:
x, yarray_like

样本数组，应为一维。

alternative{‘two-sided’, ‘less’, ‘greater’},可选

定义备择假设。以下选项可用（默认为“双向”）

  • “双向”

  • “小于”：单向

  • “大于”：单向

分布{‘t’,‘normal’}, 可选

定义如何获得 p 值。以下选项可用（默认为“t”）

  • “t”：通过 t 分布获取 p 值

  • “normal”：通过标准正态分布获取 p 值。

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

定义如何处理输入的 NaN。

  • propagate：如果 NaN 出现在沿其计算该统计数据的轴切片（例如行）中，则输出的相应条目将为 NaN。

  • omit：执行计算时，NaN 将被忽略。如果沿其计算该统计数据的轴切片中剩余数据不足，则输出的相应条目将为 NaN。

  • raise：如果存在 NaN，将会引发 ValueError。

axisint 或 None，默认为：0

如果为 int，则沿着其计算该统计数据的输入轴。输入的每个轴切片（例如行）的统计数据将出现在输出的相应元素中。如果为 None，则在计算该统计数据之前，将对输入进行展开。

keepdimsbool，默认为：False

如果将其设置为 True，则减少的轴将作为大小为一的维度保留在结果中。选择此选项，结果将针对输入数组进行正确广播。

返回:
统计数据float

布伦纳-蒙泽 W 统计数据。

p 值float

假设 t 分布时的 p 值。单向或双向，取决于所选的 alternative 和 distribution。

另请参见

mannwhitneyu

对两个样本执行的曼-惠特尼秩次检验。

注意

布伦纳和蒙泽尔建议在数据大小为 50 或更小时，通过 t 分布估算 p 值。如果大小小于 10，则最好使用置换布伦纳蒙泽尔检验（请参阅 [2]）。

从 SciPy 1.9 开始，np.matrix 输入（新代码不推荐使用）在计算执行之前会转换为 np.ndarray。此情况下，输出将是标量或形状适宜的 np.ndarray，而不是 2D 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，而不是带有 mask=False 的掩码数组。

参考

[1]

Brunner, E. 和 Munzel, U. “非参数 Benhrens-Fisher 问题：渐近理论和小样本近似”。生物统计学期刊。第 42 卷（2000 年）：17-25。

[2]

Neubert, K. 和 Brunner, E. “非参数 Behrens-Fisher 问题学生的置换检验”。计算统计和数据分析。第 51 卷（2007 年）：5192-5204。

示例

>>> from scipy import stats
>>> x1 = [1,2,1,1,1,1,1,1,1,1,2,4,1,1]
>>> x2 = [3,3,4,3,1,2,3,1,1,5,4]
>>> w, p_value = stats.brunnermunzel(x1, x2)
>>> w
3.1374674823029505
>>> p_value
0.0057862086661515377
本页内容