几种常见的假设检验总结如下:

假设检验名称

Z检验

t检验

 χ2检验

F检验

原假设 

   H: μ≥μH: μ≤μH: μ=μ(样本和总体均值)

H: μ-μ≥0   H: μ-μ≤0   H: μ-μ=0 (两总体均值)

H: μ≥0      H: μ≤0     H: μ=0 (两总体前后差值均值)

H: σ≥σH: σ≤σH: σ=σ(样本和总体方差)

H: σ≤σH: σ=σ(两总体方差,即方差齐性)

H: 两类别型变量相互独立(独立性检验)

H: 总体服从某个概率分布(拟合优度检验)

H: 总体均值相等(方差分析)--- 通常用于三个及以上的总体

备择假设

   H: μ<μH: μ>μH: μ≠μ(样本和总体均值)

H: μ-μ<0  H: μ-μ>0   H: μ-μ≠0 (两总体均值)

H: μ<0     H: μ>0     H: μ≠0 (两总体前后差值均值)

 H: σ<σH: σ>σH: σ≠σ(样本和总体方差)

              H: σ>σH: σ≠σ(两总体方差)

H: 两类别型变量不独立(独立性检验)

H: 总体不服从某个概率分布(拟合优度检验)

H: 总体均值不全相等(方差分析)

检验类型

     左尾        右尾        双尾

  左尾            右尾          双尾

检验先决条件

 σ已知,样本量大于等于30

  σ未知

样本量小于30(当总体服从正态分布时)

样本量大于等于30(当总体不服从正态分布时)

总体近似正态分布(两总体方差)

总体近似正态分布,总体方差相似(方差分析)

检验统计量

(样本和总体均值)

 (两总体均值)

 

(样本和总体均值)

(两总体均值,独立样本,两总体方差不相等)

(两总体均值,独立样本,两总体方差相等)

(两总体前后差值均值,配对样本)

(样本和总体方差)

(独立性检验)

(拟合优度检验)

(两总体方差)

(单因素方差分析)

决策方法

临界值法:如果z ≤ -z,则拒绝原假设(左尾)

          如果z ≥ z,则拒绝原假设(右尾)

如果z ≤ -z或 z ≥ z,则拒绝原假设(双尾)

(如果置信区间不包含μ,则拒绝原假设)

p值法:如果p值≤α,则拒绝原假设

临界值法:如果t ≤ -t,则拒绝原假设(左尾)

          如果t ≥ t,则拒绝原假设(右尾)

如果t ≤ -t或 t ≥ t,则拒绝原假设(双尾)

(如果置信区间不包含μ,则拒绝原假设)

p值法:如果p值≤α,则拒绝原假设

临界值法:如果χ ≤ χ,则拒绝原假设(左尾)

          如果χ ≥ χ,则拒绝原假设(右尾)

如果χ ≤ χ或 χ ≥ χ,则拒绝原假设(双尾)

(如果置信区间不包含σ,则拒绝原假设)

p值法:如果p值≤α,则拒绝原假设

临界值法:如果F ≥ F,则拒绝原假设(右尾)

如果F ≥ F,则拒绝原假设(双尾)

p值法:如果p值≤α,则拒绝原假设

 

注:p值法可以显示实际显著性,而临界值法不能。

python命令

 

1,单样本t检验scipy.stats.ttest_1samp(a, popmean)

返回:t检验统计量的具体值和相应的p值(双尾)

2,配对t检验scipy.stats.ttest_rel(a,b)

返回:t检验统计量的具体值和相应的p值(双尾)

3,独立样本t检验

scipy.stats.ttest_ind(a, b, equal_var=True)  scipy.stats.ttest_ind_from_stats (mean1,std1,nobs1,mean2,std2,nobs2,equal_var=True) --- 方差相等

scipy.stats.ttest_ind(a, b, equal_var=False)  scipy.stats.ttest_ind_from_stats (mean1,std1,nobs1,mean2,std2,nobs2,equal_var=False)--- 方差不相等

返回:t检验统计量的具体值和相应的p值(双尾)

1,拟合优度检验scipy.stats.chisquare(f_obsf_exp=Noneddof=0)

返回:卡方统计量的具体值和相应的p值

2,独立性检验scipy.stats.chi2_contingency(observed, correction=True)

返回:卡方统计量的具体值,相应的p值,自由度, 期望频率

1,方差齐性检验scipy.stats.levene(sample1,sample2,...)

返回:F统计量的具体值和相应的p值 

2,单因素方差分析scipy.stats.f_oneway(sample1,sample2,...)

 返回:F统计量的具体值和相应的p值 

其他检验:

1,正态性检验:scipy.stats.shapiro(x)

 

返回:检验统计量的具体值和相应的p值

12-24 23:20