置信区间proportion_confint和z检验proportions_ztest的用法

statsmodels.stats.proportion.proportions_ztest(count，nobs，value = None，Alternative =‘two-side’，prop_var = False)

参数：

• count : {int, array_like}
  试验成功的次数。如果是array_like，则假设此值代表每个独立样本的成功次数
• nobs : {int, array_like}
  试验或观察值的数量，其长度与count参数相同。
• value : float, array_like or None, optional
  这是零假设的值，等于一个样本检验的比例。在两样本检验的情况下，原假设为prop [0]-prop [1] =值，其中prop是两个样本中的比例。如果未提供，则值= 0，并且null为prop [0] = prop [1]
• alternative : str in [‘two-sided’, ‘smaller’, ‘larger’]
  假设验证可以是双向检验，也可以是单面检验之一，smaller的意味着左侧检验prop < value， 而larger的意味着右侧检验prop > value。在两个样本检验中，smaller意味着替代假设p1 < p2成立，而larger意味着 p1 > p2。
• prop_var : False or float in (0, 1)
  如果prop_var为false，则根据样本比例计算比例估计的方差。或者，可以指定比例来计算此方差。常见用例是使用Null假设下的比例来指定比例估计的方差。

返回值：
zstat：float
p-value：float

proportion_confint(count, nobs, alpha: float = 0.05, method=‘normal’)

参数：

• count : {int or float, array_like}
  试验成功次数可以是Pandas Series或DataFrame。如果method参数的取值为"binom_test"，则这些数组必须包含整数值。
• nobs : {int or float, array_like}
  试验总次数。如果method参数的取值为"binom_test"，则这些数组必须包含整数值。
• alpha : float
  显著性水平，默认为0.05，范围必须在(0,1)之间
• method : {“normal”, “agresti_coull”, “beta”, “wilson”, “binom_test”}
  默认: “normal”
  置信区间的计算方法。支持以下方法：
  • normal：渐近正态近似
  • agresti_coull：Agresti-Coull区间
  • beta：基于Beta分布的Clopper-Pearson区间
  • wilson：Wilson得分区间
  • jeffreys：Jeffreys贝叶斯区间
  • binom_test：binom_test数值反演法

返回值：
ci_low, ci_upp : {float, ndarray, Series DataFrame}
以（近似）1-alpha的置信度的下限和上限置信区间。当返回Pandas对象时，取“count”的索引值。