epps_singleton_2samp#
- scipy.stats.epps_singleton_2samp(x, y, t=(0.4, 0.8), *, axis=0, nan_policy='propagate', keepdims=False)[源代码]#
计算埃普斯-辛格尔顿 (ES) 检验统计量。
检验两个样本在同一潜在概率分布下的原假设。
- 参数 :
- x, yarray-like
两个要检验的观察样本。输入不得超过一维。样本的长度可以不同，但两个样本都必须至少有五个观察值。
- t可选，array-like
经验特征函数要评估处的点 (t1, …, tn)。它们应为正而不同的数。默认值 (0.4, 0.8) 在 [1] 中提出。输入不得超过一维。
- axis可选，int 或 None，默认为 0
如果是 int，则为计算数据统计的输入轴。每个轴切片（例如行）的数据统计都会出现在输出的对应元素中。如果为
None，则在计算数据统计之前，将展开输入。- nan_policy{‘propagate’, ‘omit’, ‘raise’}
定义如何处理输入中的 NaN。
propagate：如果在计算数据统计的轴切片（例如行）存在 NaN，则输出的对应条目将为 NaN。omit：执行计算时，将忽略 NaN。如果计算数据统计的轴切片中的数据不足，则输出的对应条目将为 NaN。raise：如果存在 NaN，则将引发ValueError。
- keepdims布尔值，默认值：False
如果将此项设置为 True，则被缩减的轴会保留在结果中，而维度为一。使用此选项，结果将针对输入数组进行正确广播。
- 返回值:
- statistic浮点数
检验统计量。
- pvalue浮点数
基于渐进 chi2 分布的相关 p 值。
另请参见
注意
测试两个样本是否由同一底层分布生成是统计学中的经典问题。一种广泛使用的检验是 Kolmogorov-Smirnov (KS) 检验，它依赖于经验分布函数。Epps 和 Singleton 介绍了一种基于 [1] 中经验特征函数的检验。
ES 检验与 KS 检验相比的一个优势在于，它不假设连续分布。在[1]中，作者得出结论，在很多示例中，该检验还具有比 KS 检验更高的功效。他们建议对离散样本和连续样本分别至少使用 25 次观测来进行 ES 检验，而
anderson_ksamp则建议在连续情况下对较小的样本量进行检验。p 值基于检验统计量的渐近分布，该分布遵循
chi2分布。如果 x 和 y 的样本量都低于 25，则会对检验统计量应用 [1] 中提出的样本量较小校正。t的默认值在 [1] 中通过考虑各种分布并寻找通常导致检验功效较高的合适值来确定。在 [1] 中的表 III 提供了在该研究中测试的分布的最佳值。t的值在实现中按半四分位数范围进行缩放，请参阅 [1]。从 SciPy 1.9 开始，在执行计算之前，
np.matrix输入（不推荐用于新代码）将转换为np.ndarray。在这种情况下，输出将是标量或形状合适的np.ndarray，而不是二维np.matrix。类似地，虽然会忽略掩模数组的掩模元素，但输出将是标量或np.ndarray，而不是掩模等于mask=False的掩模数组。参考