目录
一、介绍
1、官网
2、主要功能
3、安装
二、t检验
1、概念
2、假设条件
3、单样本t检验
4、配对样本t检验
三、McNemar检验与Nemenyi检验
四、Friedman检验
一、介绍
1、官网
Introduction — statsmodels
是一个Python库,用 于拟合多种统计模型,执行统计测试以及数据探索和可视化。
2、主要功能
3、安装
方法一:pip install statsmodels
方法二:conda install –c conda-forge statsmodels
二、t检验
1、概念
通过比较不同数据之间的差值,以观察数据之间有没有显著差异。适用于小样本(30个以下)、总体方差未知的情况。
2、假设条件
(1)总体分布服从正态或近似服从正态分布。
(2)检验定量数据,即数据大小是有意义的,对于分类数据的检验请移步卡方检验。
# 区别:样本标准差和总体标准差
# 样1本标准差=(x-均值)/(n-1)
# 总体标准差=(x-均值)/n
# 用scipy计算出的是:双尾检验
# 单(1samp)样本t检验(ttest_1samp)
# 相关(related)样本t检验(ttest_rel)
# 双独立(independent)样本t检验(ttest_ind)
# 当不确定两总体方差是否相等时,应先利用levene检验,检验两总体是否具有方差齐性。
# stats.levene(data1,data2)
# 如果返回结果的p值远大于0.05,那么我们认为两总体具有方差齐性。
# 如果两总体不具有方差齐性,需要加上参数equal_val并设定为False。如下。
# stats.ttest_ind(data1,data2,equal_var=False)
# 判断标准(显著水平)alpha=5%,1%,10%
# 左尾判断条件:t < 0 and p_one < 判断标准(显著水平)alpha
# 右尾判断条件:t > 0 and p_one < 判断标准(显著水平)alpha
# p值:假定原假设成立的前提下,得到样本平均值的概率是多少。p值越小,则拒绝原假设
# 效应量:在判断某个调查研究的结果,是否有意义或者重要时,要考虑的另一项指标是效应量。
# 效应量太小,意味着处理即使达到了显著水平,也缺乏实用价值。
# .20 小的效应,.50中等效应,.80高的效应(d绝对值)
3、单样本t检验
假定我们得到了k个测试错误率,, 则平均测试错误率
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)