非参数统计的Python实现—— Wilcoxon 符号秩检验

概念

Wilcoxon 符号秩检验的检验目的和符号检验是一样的，但 Wilcoxon 符号秩检验需要假设样本点来自连续对称总体分布，在这个假设下总体的对称中心是总体中位数之一。Wilcoxon 符号秩检验就是要检验双边问题 H₀ ：M = M₀ 或检验单边问题 H₀ ：M ≤ M₀ 及 H₀ ：M ≥ M₀ 。
在检验两样本时，Wilcoxon 符号秩检验也是检验两样本中心位置是否相等的方法，不过要求两样本量相等。

实例 & 代码

为了解垃圾邮件对大型公司决策层的工作影响程度，某网站收集了19家大型公司的CEO和他们邮箱里每天收到的垃圾邮件件数，得到如下数据（单位：封）：
310，350，370，377，389，400，415，425，440，295，325，296，250，340，298，365，375，360，385
从平均意义上来看，垃圾邮件数量的中心位置是否超过320封？显著性水平为0.05。
解答：

import scipy.stats as stats
x=[310,350,370,377,389,400,415,425,440,295,325,296,250,340,298,365,375,360,385]
y=[320]*len(x)
stats.wilcoxon(x,y,correction=True,alternative='greater')

结果如下：
WilcoxonResult ( statistic = 158.0, pvalue = 0.005949317582258638 )
由p值小于0.05，可以认为垃圾邮件数量的中心位置超过了320封。

scipy.stats.wilcoxon() 参数解析

scipy.stats.wilcoxon( x, y, correction = Flase, alternative = ‘two-sided’ )

• x：第一组测量值（在这种情况下，y是第二组测量值），或者在两组测量值之间的差（在这种情况下，不指定y）。必须是一维的。
• y：第二组测量值（如果x是第一组测量值），或者未指定（如果x是两组测量值之间的差）。必须是一维的。
• correction：如果为True，则是在小样本情况下，在计算Z统计量时用0.5来连续性校正。默认值为False。
• alternative：等于 “two-sided” 或 “greater” 或 “less”。“two-sided” 为双边检验，“greater” 为备择假设是大于的单边检验，“less” 为备择假设是小于的单边检验。