Ctrl+K
scipy.stats.

levene#

scipy.stats.levene(*samples, center='median', proportiontocut=0.05, axis=0, nan_policy='propagate', keepdims=False)[源代码]#

执行 Levene 检验以检验方差是否相等。

Levene 检验检验所有输入样本是否来自具有相等方差的总体这一零假设。当存在显著偏离正态性的情况时，Levene 检验是 Bartlett 检验 bartlett 的替代方法。

参数:
sample1, sample2, …array_like

样本数据，可能具有不同的长度。只接受一维样本。

center{‘mean’, ‘median’, ‘trimmed’}, 可选

在检验中使用哪个数据函数。默认值为 ‘median’。

proportiontocutfloat, 可选

当 center 为 ‘trimmed’ 时，这将给出从每一端截断的数据点比例。（请参见 scipy.stats.trim_mean。）默认值为 0.05。

axisint 或 None，默认值：0

如果为 int，则为计算统计量的输入轴。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。如果为 None，则会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：执行计算时将忽略 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，则会引发 ValueError。

keepdimsbool，默认值：False

如果将其设置为 True，则将减小的轴保留在结果中，作为大小为 1 的维度。使用此选项，结果将与输入数组正确广播。

返回:
statisticfloat

检验统计量。

pvaluefloat

检验的 p 值。

另请参阅

fligner

检验 k 个方差是否相等的非参数检验

bartlett

正态样本中检验 k 个方差是否相等的参数检验

Levene 检验方差是否相等

扩展示例

备注

Levene 检验有三种可能的变体。以下是可能性及其推荐用法

  • ‘median’：推荐用于偏斜（非正态）分布>

  • ‘mean’：推荐用于对称、中等尾部分布。

  • ‘trimmed’：推荐用于重尾分布。

使用均值的检验版本是在 Levene 的原始文章中提出的 ([2])，而中位数和修剪均值已由 Brown 和 Forsythe 研究 ([3])，有时也称为 Brown-Forsythe 检验。

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，而不是二维 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 mask=False 的掩码数组。

参考文献

[2]

Levene, H. (1960). In Contributions to Probability and Statistics: Essays in Honor of Harold Hotelling, I. Olkin et al. eds., Stanford University Press, pp. 278-292.

[3]

Brown, M. B. and Forsythe, A. B. (1974), Journal of the American Statistical Association, 69, 364-367

示例

检验列表 a、b 和 c 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.levene(a, b, c)
>>> p
0.002431505967249681

小的 p 值表明总体不具有相等的方差。

这并不奇怪，因为 b 的样本方差比 a 和 c 的样本方差大得多

>>> [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，请参见 Levene 检验方差是否相等。

在此页面