scipy.stats.contingency.

association#

scipy.stats.contingency.association(observed, method='cramer', correction=False, lambda_=None)[source]#

计算两个标称变量之间的关联程度。

该函数提供了一个选项，可以从 2d 列联表中给出的数据计算两个标称变量之间三种关联度量之一：Tschuprow 的 T、Pearson 的列联系数和 Cramer 的 V。

参数:
observed类数组

观测值的数组

method{“cramer”, “tschuprow”, “pearson”} (default = “cramer”)

关联检验统计量。

correctionbool, 可选

继承自 scipy.stats.contingency.chi2_contingency()

lambda_float 或 str, 可选

继承自 scipy.stats.contingency.chi2_contingency()

返回:
statisticfloat

检验统计量的值

注释

Cramer 的 V、Tschuprow 的 T 和 Pearson 的列联系数都衡量了两个标称或序数变量相关的程度，或者它们的关联水平。 这与相关性不同，尽管许多人经常错误地认为它们是等价的。 相关性衡量两个变量以何种方式相关，而关联性衡量变量的相关程度。 因此，关联性不包含自变量，而是对独立性的检验。 值为 1.0 表示完全关联，0.0 表示变量之间没有关联。

Cramer 的 V 和 Tschuprow 的 T 都是 phi 系数的扩展。 此外，由于 Cramer 的 V 和 Tschuprow 的 T 之间的密切关系，返回的值通常相似甚至相等。 随着数组形状偏离 2x2，它们可能会更加不同。

参考文献

[2]

Tschuprow, A. A. (1939) Principles of the Mathematical Theory of Correlation; translated by M. Kantorowitsch. W. Hodge & Co.

[4]

“Nominal Association: Phi and Cramer’s V”, http://www.people.vcu.edu/~pdattalo/702SuppRead/MeasAssoc/NominalAssoc.html

[5]

Gingrich, Paul, “Association Between Variables”, http://uregina.ca/~gingrich/ch11a.pdf

例子

一个带有 4x2 列联表的例子

>>> import numpy as np
>>> from scipy.stats.contingency import association
>>> obs4x2 = np.array([[100, 150], [203, 322], [420, 700], [320, 210]])

Pearson 的列联系数

>>> association(obs4x2, method="pearson")
0.18303298140595667

Cramer 的 V

>>> association(obs4x2, method="cramer")
0.18617813077483678

Tschuprow 的 T

>>> association(obs4x2, method="tschuprow")
0.14146478765062995
在本页中