Python SciPy stats.brunnermunzel用法及代码示例

本文简要介绍 python 语言中 scipy.stats.brunnermunzel 的用法。

用法:

scipy.stats.brunnermunzel(x, y, alternative='two-sided', distribution='t', nan_policy='propagate')#

计算样本 x 和 y 的 Brunner-Munzel 检验。

Brunner-Munzel 检验是对原假设的非参数检验，即当从每个组中一个一个地取值时，在两个组中获得大值的概率是相等的。与Wilcoxon-Mann-Whitney 的 U 检验不同，这不需要假设两组的等方差。请注意，这并不假定分布相同。该测试适用于两个独立的样本，它们可能具有不同的大小。

参数 ：：

x, y： array_like

样本数组，应该是一维的。

alternative： {‘双面’，‘less’, ‘greater’}，可选

定义备择假设。可以使用以下选项(默认为“双面”)：

• ‘two-sided’

• ‘less’: one-sided

• ‘greater’: one-sided

distribution： {‘t’, ‘normal’}，可选

定义如何获取 p 值。以下选项可用(默认为‘t’)：

• ‘t’: get the p-value by t-distribution

• ‘normal’: get the p-value by standard normal distribution.

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

定义当输入包含 nan 时如何处理。以下选项可用(默认为‘propagate’)：

• ‘propagate’: returns nan

• ‘raise’: throws an error

• ‘omit’: performs the calculations ignoring nan values

返回 ：：

statistic： 浮点数

Brunner-Munzer W 统计量。

pvalue： 浮点数

假设 t 分布的 p 值。单面或双面，取决于替代方案和分布的选择。

注意：

Brunner 和 Munzel 建议当数据大小为 50 或更小时，通过 t 分布估计 p 值。如果大小低于 10，最好使用置换 Brunner Munzel 检验(参见 [2])。

参考：

[1]

Brunner, E. 和 Munzel, U。“非参数 Benhrens-Fisher 问题：渐近理论和 small-sample 近似”。生物识别杂志。卷。 42(2000)：17-25。

[2]

Neubert, K. 和 Brunner, E. “非参数 Behrens-Fisher 问题的学生化置换测试”。计算统计和数据分析。卷。 51(2007)：5192-5204。

例子：

>>> from scipy import stats
>>> x1 = [1,2,1,1,1,1,1,1,1,1,2,4,1,1]
>>> x2 = [3,3,4,3,1,2,3,1,1,5,4]
>>> w, p_value = stats.brunnermunzel(x1, x2)
>>> w
3.1374674823029505
>>> p_value
0.0057862086661515377