Python SciPy stats.friedmanchisquare用法及代码示例

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

用法:

scipy.stats.friedmanchisquare(*samples)#

计算重复样本的弗里德曼检验。

弗里德曼检验检验原假设，即同一个体的重复样本具有相同的分布。它通常用于测试以不同方式获得的样品之间的一致性。例如，如果对同一组个体使用两种抽样技术，则可以使用弗里德曼检验来确定这两种抽样技术是否一致。

参数 ：：

sample1, sample2, sample3…： array_like

观察数组。所有数组必须具有相同数量的元素。必须至少提供三个样品。

返回 ：：

statistic： 浮点数

检验统计量，校正平局。

pvalue： 浮点数

假设检验统计量具有卡方分布的相关 p 值。

注意：

由于假设检验统计量呈卡方分布，因此 p 值仅对 n > 10 且重复样本数超过 6 个的情况可靠。

参考：

[1]

https://en.wikipedia.org/wiki/Friedman_test

[2]

P. Sprent 和 N.C. Smeeton，“应用非参数统计方法，第三版”。第 6 章第 6.3.2 节。

例子：

在[2]中，测量了七名学生在运动前、运动后立即和运动后5分钟的脉搏率(每分钟)。是否有证据表明这三种情况下的脉搏频率相似？

我们首先制定原假设\(H_0\)：

The pulse rates are identical on these three occasions.

让我们用弗里德曼检验来评估这个假设的合理性。

>>> from scipy.stats import friedmanchisquare
>>> before = [72, 96, 88, 92, 74, 76, 82]
>>> immediately_after = [120, 120, 132, 120, 101, 96, 112]
>>> five_min_after = [76, 95, 104, 96, 84, 72, 76]
>>> res = friedmanchisquare(before, immediately_after, five_min_after)
>>> res.statistic
10.57142857142857
>>> res.pvalue
0.005063414171757498

使用 5% 的显著性水平，我们会拒绝零假设，转而支持备择假设：“这三种情况下的脉率不同”。