z检验:
计算临界值:scipy.stats.norm.ppf(level_of_confidence)
计算p值:scipy.stats.norm.sf(abs(z_score)) 或 1-scipy.stats.norm.cdf(abs(z_score))---左尾或右尾,双尾检验需在此基础上乘以2
计算临界值例子:
from scipy.stats import norm critical1=norm.ppf(0.95) #左尾或右尾 critical2=norm.ppf(0.975) #双尾
t检验:
计算临界值:scipy.stats.t.ppf(level_of_confidence, degree_of_freedom)
计算p值:scipy.stats.t.sf(abs(t_score),df) 或 1-scipy.stats.t.cdf(abs(t_score),df)---左尾或右尾,双尾检验需在此基础上乘以2
计算临界值例子:
from scipy.stats import t critical1=t.ppf(0.95,10) #左尾或右尾 critical2=t.ppf(0.975,10) #双尾
卡方检验:
计算临界值:scipy.stats.chi2.ppf(level_of_confidence, degree_of_freedom)
计算p值:scipy.stats.chi2.sf(abs(chi2_score),df) 或 1-scipy.stats.chi2.cdf(abs(chi2_score),df)---左尾或右尾,双尾检验需在此基础上乘以2
计算临界值例子:
from scipy.stats import chi2 critical1=chi2.ppf(0.95,10) #左尾或右尾 critical2=chi2.ppf(0.975,10) #双尾
F检验:
计算临界值:scipy.stats.f.ppf(level_of_confidence, dfn, dfd)
计算p值:scipy.stats.f.sf(abs(chi2_score),dfn,dfd) 或 1-scipy.stats.chi2.cdf(abs(chi2_score),dfn,dfd)---左尾或右尾,双尾检验需在此基础上乘以2
计算临界值例子:
from scipy.stats import f critical1=f.ppf(0.95,30,28) #左尾或右尾 critical2=f.ppf(0.975,30,28) #双尾
注:
cdf是概率的累积分布,即小于等于某个值出现的概率总和。
ppf是cdf的逆运算,也就是已知概率总和,求对应的统计量的值。
参考:https://machinelearningmastery.com/critical-values-for-statistical-hypothesis-testing/
原文地址:https://www.cnblogs.com/HuZihu/p/12113253.html