Ctrl+K
scipy.stats.

brunnermunzel#

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

计算样本 x 和 y 的 Brunner-Munzel 检验。

Brunner-Munzel 检验是一种非参数检验，用于检验零假设，即当从每个组中逐个取值时，在两组中获得较大值的概率相等。与 Wilcoxon-Mann-Whitney 的 U 检验不同，这不需要假设两组的等方差性。请注意，这不假设分布相同。此检验适用于两个独立的样本，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 ‘two-sided’）

  • ‘two-sided’

  • ‘less’：单侧

  • ‘greater’：单侧

distribution{‘t’, ‘normal’}, 可选

定义如何获取 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 NaN。

  • propagate: 如果在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: 执行计算时将省略 NaN。如果在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，则为计算统计量的输入的轴。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展开输入。

keepdimsbool，默认值：False

如果设置为 True，则将保留缩减的轴作为大小为 1 的维度。使用此选项，结果将正确地广播到输入数组。

返回:
statisticfloat

Brunner-Munzer W 统计量。

pvaluefloat

假设 t 分布的 p 值。单侧或双侧，取决于 alternative 和 distribution 的选择。

参见

mannwhitneyu

两个样本的 Mann-Whitney 秩检验。

注释

Brunner 和 Munzel 建议在数据大小为 50 或更小时，通过 t 分布估计 p 值。如果大小小于 10，最好使用置换 Brunner Munzel 检验（请参阅 [2]）。

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，输出将是标量或适当形状的 np.ndarray，而不是 2D 的 np.matrix。类似地，尽管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 mask=False 的掩码数组。

参考文献

[1]

Brunner, E. 和 Munzel, U. “非参数 Benhrens-Fisher 问题：渐近理论和小样本近似”。Biometrical Journal. Vol. 42(2000): 17-25.

[2]

Neubert, K. 和 Brunner, E. “非参数 Behrens-Fisher 问题的学生化置换检验”。Computational Statistics and Data Analysis. Vol. 51(2007): 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
在此页