scipy.stats.

mood#

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

执行 Mood 检验以确定尺度参数是否相等。

Mood 的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,则在计算统计量之前将展平输入。

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”:xy 的底层分布的尺度不同。

  • “less”:x 的底层分布的尺度小于 y 的尺度。

  • “greater”:x 的底层分布的尺度大于 y 的尺度。

在版本 1.7.0 中添加。

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

keepdimsbool,默认值:False

如果将其设置为 True,则缩小的轴将保留在结果中,作为大小为 1 的维度。使用此选项,结果将针对输入数组正确广播。

返回值:
resSignificanceResult

包含属性的对象

statistic标量或 ndarray

假设检验的 z 分数。对于 1-D 输入,将返回标量。

pvalue标量 ndarray

假设检验的 p 值。

另请参阅

fligner

一种用于检验 k 个方差是否相等的非参数检验

ansari

一种用于检验 2 个方差是否相等的非参数检验

bartlett

一种用于检验正态样本中 k 个方差是否相等的参数检验

levene

一种用于检验 k 个方差是否相等的参数检验

注释

假定数据分别从概率分布 f(x)f(x/s) / s 中抽取,对于某个概率密度函数 f。零假设是 s == 1

对于多维数组,如果输入的形状为 (n0, n1, n2, n3)(n0, m1, n2, n3),那么如果 axis=1,则生成的 z 值和 p 值将具有形状 (n0, n2, n3)。请注意,n1m1 不必相等,但其他维度必须相等。

从 SciPy 1.9 开始,在执行计算之前,np.matrix 输入(不建议用于新代码)将转换为 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 2D np.matrix。同样,虽然忽略了屏蔽数组的屏蔽元素,但输出将是标量或 np.ndarray,而不是 mask=False 的屏蔽数组。

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]))