[ad_1]
4- Hai mẫu độc lập t-Bài kiểm tra
Kiểm định này được sử dụng để so sánh giá trị trung bình của phân bố chuẩn tiếp diễn biến phụ thuộc giữa hai nhóm độc lập. Ví dụ: hãy tưởng tượng chúng ta đang đánh giá tác động của một can thiệp y tế. Chúng tôi tuyển 100 người tham gia, phân ngẫu nhiên 50 người vào nhóm điều trị và 50 người vào nhóm đối chứng. Ở đây, chúng ta có hai mẫu riêng biệt, làm cho phép thử t không ghép đôi trở nên thích hợp để so sánh kết quả của chúng.
import numpy as np
from scipy import stats# Generate instance information (usually distributed)
np.random.seed(42) # for reproducibility
treatment_group = np.random.regular(loc=75, scale=10, measurement=50)
control_group = np.random.regular(loc=72, scale=10, measurement=50)
# Carry out impartial samples t-test
t_statistic, p_value = stats.ttest_ind(treatment_group, control_group)
# Choice primarily based on p-value
alpha = 0.05
if p_value < alpha:
print("Reject the null speculation: There's a vital distinction within the remedy impact between teams.")
else:
print("Fail to reject the null speculation: There isn't a vital distinction within the remedy impact between teams.")
5- Xét nghiệm Wilcoxon-Mann-Whitney (Thử nghiệm Mann-Whitney U)
Đây là một thử nghiệm phi tham số, có nghĩa là nó không đưa ra giả định nào về phân bố của các biến, được sử dụng để so sánh giá trị trung bình của hai nhóm độc lập. Nó đánh giá xem sự phân bố của hai mẫu có khác nhau hay không mà không giả sử dữ liệu tuân theo một phân phối cụ thể. Thử nghiệm này đặc biệt hữu ích khi các giả định của thử nghiệm t mẫu độc lập (như tính chuẩn và phương sai bằng nhau) không được đáp ứng hoặc khi phân tích dữ liệu thứ tự hoặc khoảng không đáp ứng các giả định tham số.
import numpy as np
from scipy.stats import mannwhitneyu# Generate instance information
np.random.seed(42) # for reproducibility
group1 = np.random.regular(loc=50, scale=10, measurement=30)
group2 = np.random.regular(loc=55, scale=12, measurement=35)
# Carry out Wilcoxon-Mann-Whitney take a look at
statistic, p_value = mannwhitneyu(group1, group2)
# Print outcomes
print('Outcomes of the Wilcoxon-Mann-Whitney take a look at:')
print(f'Statistic: {statistic}')
print(f'P-value: {p_value}')
# Choice primarily based on p-value
alpha = 0.05
if p_value < alpha:
print("Reject the null speculation: The distributions of the 2 teams are considerably totally different.")
else:
print("Fail to reject the null speculation: There isn't a vital distinction within the distributions of the 2 teams.")
6- Kiểm định tính độc lập Chi bình phương
Kiểm định chi bình phương về tính độc lập được sử dụng để xác định liệu có mối liên quan đáng kể giữa hai phân loại biến. Nó giúp xác định liệu phân phối của một biến có độc lập với biến kia hay không. Bài kiểm tra này được áp dụng rộng rãi trong các lĩnh vực như tiếp thị, khoa học xã hội và sinh học. Để thực hiện kiểm tra này, trước tiên bạn cần xoay dữ liệu để tạo một bảng dữ liệu thống kê, như được hiển thị trong mã Python bên dưới. Ngoài ra, kiểm định chi bình phương giả định rằng giá trị mong đợi cho mỗi ô là năm hoặc cao hơn. Để tìm giá trị mong đợi của một ô cụ thể, chúng ta nhân tổng hàng với tổng cột rồi chia cho tổng cuối. Nếu điều kiện này không được xác minh, chúng ta phải sử dụng thử nghiệm tiếp theo
import numpy as np
import pandas as pd
from scipy.stats import chi2_contingency# Create a contingency desk
information = pd.DataFrame({
'Gender': ('Male', 'Male', 'Feminine', 'Feminine'),
'Desire': ('Sure', 'No', 'Sure', 'No'),
'Rely': (20, 10, 30, 40)
})
# Pivot the information to get the contingency desk
contingency_table = information.pivot(index='Gender', columns='Desire', values='Rely').fillna(0).values
# Carry out Chi-Sq. Take a look at of Independence
chi2_stat, p_value, dof, anticipated = chi2_contingency(contingency_table)
# Print outcomes
print('Outcomes of the Chi-Sq. Take a look at of Independence:')
print(f'Chi-square statistic: {chi2_stat}')
print(f'P-value: {p_value}')
print(f'Levels of freedom: {dof}')
print('Anticipated frequencies:')
print(anticipated)
# Choice primarily based on p-value
alpha = 0.05
if p_value < alpha:
print("Reject the null speculation: There's a vital affiliation between gender and product desire.")
else:
print("Fail to reject the null speculation: There isn't a vital affiliation between gender and product desire.")
7- Phép thử chính xác của Fisher
Thử nghiệm này có thể được coi là một giải pháp thay thế cho thử nghiệm chi bình phương khi một hoặc nhiều ô trong bảng dự phòng của bạn có tần suất dự kiến dưới 5. Điều này làm cho nó đặc biệt có giá trị đối với các cỡ mẫu nhỏ hoặc khi xử lý dữ liệu thưa thớt.
import numpy as np
from scipy.stats import fisher_exact# Create a contingency desk
# Instance information: remedy group vs. management group with success and failure outcomes
# Therapy group: 12 successes, 5 failures
# Management group: 8 successes, 7 failures
contingency_table = np.array(((12, 5),
(8, 7)))
# Carry out Fisher's Actual Take a look at
odds_ratio, p_value = fisher_exact(contingency_table)
# Print outcomes
print('Outcomes of Fisher's Actual Take a look at:')
print(f'Odds ratio: {odds_ratio}')
print(f'P-value: {p_value}')
# Choice primarily based on p-value
alpha = 0.05
if p_value < alpha:
print("Reject the null speculation: There's a vital affiliation between the remedy and the result.")
else:
print("Fail to reject the null speculation: There isn't a vital affiliation between the remedy and the result.")
[ad_2]
Source link