scipy.stats.

亚历山大政府#

scipy.stats.alexandergovern(*samples, nan_policy='propagate', axis=0, keepdims=False)[源代码][源代码]#

执行 Alexander Govern 检验。

Alexander-Govern 近似检验在方差不均匀的情况下测试 k 个独立均值的相等性。该检验应用于来自两个或更多组的样本，这些组的大小可能不同。

参数:
示例1, 示例2, …array_like

每个组的样本测量值。必须至少有两个样本，每个样本必须包含至少两个观测值。

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

定义如何处理输入的 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: 在执行计算时，NaN 将被省略。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。

轴int 或 None, 默认值: 0

如果是一个整数，表示输入数据中要计算统计量的轴。输入数据的每个轴切片（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会将输入数据展平。

keepdimsbool, 默认值: False

如果设置为True，被减少的轴将作为尺寸为1的维度保留在结果中。通过此选项，结果将正确地与输入数组进行广播。

返回:
res亚历山大治理结果

一个带有属性的对象：

统计浮动

测试的计算 A 统计量。

p值浮动

来自卡方分布的相关 p 值。

警告:
ConstantInputWarning

如果输入是一个常量数组，则会引发此错误。在这种情况下，统计量未定义，因此返回 np.nan。

参见

f_oneway

单因素方差分析

注释

这个测试的使用依赖于几个假设。

  1. 这些示例是独立的。

  2. 每个样本来自一个正态分布的总体。

  3. 与 f_oneway 不同，此测试不假设同方差性，而是放宽了方差相等的假设。

输入样本必须是有限的、一维的，并且大小大于一。

从 SciPy 1.9 开始，np.matrix 输入（不推荐用于新代码）在计算执行前被转换为 np.ndarray。在这种情况下，输出将是一个标量或适当形状的 np.ndarray，而不是一个 2D 的 np.matrix。同样，虽然掩码数组的掩码元素被忽略，但输出将是一个标量或 np.ndarray，而不是一个 mask=False 的掩码数组。

参考文献

[1]

Alexander, Ralph A., 和 Diane M. Govern. “方差异质性下ANOVA的一个新且更简单的近似方法.” 《教育统计学杂志》, 第19卷, 第2期, 1994年, 第91-101页. JSTOR, www.jstor.org/stable/1165140. 访问于2020年9月12日.

示例

>>> from scipy.stats import alexandergovern

以下是关于美国四个大城市中九家最大银行对新车贷款收取的年利率的一些数据，这些数据来自美国国家标准与技术研究院的ANOVA数据集。

我们使用 alexandergovern 来检验零假设，即所有城市的平均APR相同，与备择假设相对立，即并非所有城市的平均APR都相同。我们决定，需要5%的显著性水平来拒绝零假设，支持备择假设。

>>> atlanta = [13.75, 13.75, 13.5, 13.5, 13.0, 13.0, 13.0, 12.75, 12.5]
>>> chicago = [14.25, 13.0, 12.75, 12.5, 12.5, 12.4, 12.3, 11.9, 11.9]
>>> houston = [14.0, 14.0, 13.51, 13.5, 13.5, 13.25, 13.0, 12.5, 12.5]
>>> memphis = [15.0, 14.0, 13.75, 13.59, 13.25, 12.97, 12.5, 12.25,
...           11.89]
>>> alexandergovern(atlanta, chicago, houston, memphis)
AlexanderGovernResult(statistic=4.65087071883494,
                      pvalue=0.19922132490385214)

p值为0.1992，表明在零假设下观察到如此极端的检验统计量值的概率接近20%。这超过了5%，因此我们不拒绝零假设而支持备择假设。

On this page