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。