Python SciPy stats.brunnermunzel用法及代碼示例

本文簡要介紹 python 語言中 scipy.stats.brunnermunzel 的用法。

用法:

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

計算樣本 x 和 y 的 Brunner-Munzel 檢驗。

Brunner-Munzel 檢驗是對原假設的非參數檢驗，即當從每個組中一個一個地取值時，在兩個組中獲得大值的概率是相等的。與Wilcoxon-Mann-Whitney 的 U 檢驗不同，這不需要假設兩組的等方差。請注意，這並不假定分布相同。該測試適用於兩個獨立的樣本，它們可能具有不同的大小。

參數 ：：

x, y： array_like

樣本數組，應該是一維的。

alternative： {‘雙麵’，‘less’, ‘greater’}，可選

定義備擇假設。可以使用以下選項(默認為“雙麵”)：

• ‘two-sided’

• ‘less’: one-sided

• ‘greater’: one-sided

distribution： {‘t’, ‘normal’}，可選

定義如何獲取 p 值。以下選項可用(默認為‘t’)：

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

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

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

定義當輸入包含 nan 時如何處理。以下選項可用(默認為‘propagate’)：

• ‘propagate’: returns nan

• ‘raise’: throws an error

• ‘omit’: performs the calculations ignoring nan values

返回 ：：

statistic： 浮點數

Brunner-Munzer W 統計量。

pvalue： 浮點數

假設 t 分布的 p 值。單麵或雙麵，取決於替代方案和分布的選擇。

注意：

Brunner 和 Munzel 建議當數據大小為 50 或更小時，通過 t 分布估計 p 值。如果大小低於 10，最好使用置換 Brunner Munzel 檢驗(參見 [2])。

參考：

[1]

Brunner, E. 和 Munzel, U。“非參數 Benhrens-Fisher 問題：漸近理論和 small-sample 近似”。生物識別雜誌。卷。 42(2000)：17-25。

[2]

Neubert, K. 和 Brunner, E. “非參數 Behrens-Fisher 問題的學生化置換測試”。計算統計和數據分析。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