Ctrl+K
scipy.stats.

mood#

scipy.stats.mood(x, y, axis=0, alternative='two-sided', *, nan_policy='propagate', keepdims=False)[源代码]#

执行 Mood’s 检验以确定尺度参数是否相等。

Mood’s 双样本尺度参数检验是一种非参数检验，用于检验两个样本是否来自具有相同尺度参数的同一分布的零假设。

参数:
x, yarray_like

样本数据数组。总共必须至少有三个观测值。

axisint 或 None, 默认值: 0

如果为 int，则为计算统计信息的输入轴。输入的每个轴切片（例如，行）的统计信息将出现在输出的相应元素中。如果为 None，则在计算统计信息之前将展平输入。

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

定义备择假设。默认值为 ‘two-sided’。以下选项可用

  • ‘two-sided’: x 和 y 的基础分布的尺度不同。

  • ‘less’: x 的基础分布的尺度小于 y 的基础分布的尺度。

  • ‘greater’: x 的基础分布的尺度大于 y 的基础分布的尺度。

在 1.7.0 版本中新增。

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

定义如何处理输入的 NaN。

  • propagate: 如果在计算统计信息的轴切片（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。如果计算统计信息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，则将引发 ValueError。

keepdimsbool, 默认值: False

如果设置为 True，则缩减的轴将保留在结果中，作为大小为 1 的维度。使用此选项，结果将正确广播到输入数组。

返回:
resSignificanceResult

一个包含属性的对象

statistic标量或 ndarray

假设检验的 z 分数。对于一维输入，返回标量。

pvalue标量 ndarray

假设检验的 p 值。

另请参阅

fligner

用于检验 k 个方差是否相等的非参数检验

ansari

用于检验 2 个方差是否相等的非参数检验

bartlett

用于检验正态样本中 k 个方差是否相等的参数检验

levene

用于检验 k 个方差是否相等的参数检验

注释

假设数据分别来自概率分布 f(x) 和 f(x/s) / s，其中 f 是某个概率密度函数。零假设是 s == 1。

对于多维数组，如果输入形状分别为 (n0, n1, n2, n3) 和 (n0, m1, n2, n3)，则如果 axis=1，则生成的 z 和 p 值将具有形状 (n0, n2, n3)。 请注意，n1 和 m1 不必相等，但其他维度必须相等。

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。 类似地，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

[1] Mielke, Paul W. “Note on Some Squared Rank Tests with Existing Ties.”

Technometrics, vol. 9, no. 2, 1967, pp. 312-14. JSTOR, https://doi.org/10.2307/1266427. Accessed 18 May 2022.

示例

>>> import numpy as np
>>> from scipy import stats
>>> rng = np.random.default_rng()
>>> x2 = rng.standard_normal((2, 45, 6, 7))
>>> x1 = rng.standard_normal((2, 30, 6, 7))
>>> res = stats.mood(x1, x2, axis=1)
>>> res.pvalue.shape
(2, 6, 7)

查找尺度差异不显著的点数

>>> (res.pvalue > 0.1).sum()
78

使用不同的尺度执行检验

>>> x1 = rng.standard_normal((2, 30))
>>> x2 = rng.standard_normal((2, 35)) * 10.0
>>> stats.mood(x1, x2, axis=1)
SignificanceResult(statistic=array([-5.76174136, -6.12650783]),
                   pvalue=array([8.32505043e-09, 8.98287869e-10]))
本页内容