Python假设检验

• 本文内容来源于如下
  • Python来做假设检验
• 正态性检验
  • ks检验： 基于CDF。

  scipy.stats.kstest(a_vector_like_data, 'norm')
  

  • Shapiro检验：专门用来检验正态分布。

  scipy.stats.shapiro(a_vector_like_data)
  

  • Normal检验：基于数据的skewness和kurtosis。

  scipy.stats.normaltest(a_vector_like_data)
  

  • Anderson检验：ks检验的正态检验加强版。

  scipy.stats.anderson(a_vector_like_data, dist='norm')
  

• 检验方差是否齐
  • Bartlett检验：对数据有正态性要求。

  scipy.stats.bartlett(a, b)
  

  • Levene检验：在数据非正态的情况下，精度比Bartlett检验好，可调中间值的度量。

  scipy.stats.levene(a, b, center = 'trimmed')
  

  • Fligner-Killeen检验：非参检验，不依赖于分布。

  scipy.stats.fligner(a, b, center='mean')
  

• 两组数之间的比较

  • 参数方法

    • 独立两样本t检验

    scipy.stats.ttest_ind(a, b, equal_var=True, nan_policy='omit')
    

    • 成对两样本t检验

    scipy.stats.ttest_rel(a, b, equal_var=True, nan_policy='omit')
    

    • 通过基本统计量来做独立两样本检验

    scipy.stats.ttest_ind_from_stats(20.06, 2.902, 50, 13.26, 1.977, 50, equal_var=False)
    

  • 非参数方法

    • wilcox秩序和检验，n < 20时独立样本效果比较好

    scipy.stats.ranksums(a, b)
    

    • Mann-Whitney U检验, n > 20时独立样本，比wilcox秩序和检验更稳健

    scipy.stats.mannwhitneyu(a, b)
    

    • Wilcox检验，成对数据

    scipy.stats.wilcoxon(a, b, zero_method='wilcox', correction=False)
    

• 多组数之间的比较
  • 参数方法(1-way anova)

  scipy.stats.f_oneway(a, b, c, ...)
  

  • 非参数方法(Kruskal-Wallis H方法)

  scipy.stats.kruskal(a, b, c,..., nan_policy='omit')
  

• 检验方法
  • t检验
    • statsmodels.stats.ttest_ind
    • statsmodels.stats.ttost_ind
    • statsmodels.stats.ttost.paired
    • scipy.stats.ttest_1samp
    • scipy.stats.ttest_ind
    • scipy.stats.ttest_ind_from_stats
    • scipy.stats.ttest_rel
  • ks检验(检验分布)
    • scipy.stats.kstest
    • scipy.stats.kstest_2samp

来源：CSDN

作者：allen sue

链接：https://blog.csdn.net/fish2009122/article/details/103456784