python中的Mann-Kendall单调趋势检验--及原理说明

在python中使用Mann-kendall：
Q: Using Mann Kendall in python with a lot of data
在python中使用mann-Kendall，可以用scipy.stats.kendalltau，该函数返回两个值：tau-反映两个序列的相关性，接近1的值表示强烈的正相关，接近-1的值表示强烈的负相关；p_value：p值反映的是假设检验的双边p值，其零假设为无关联——即通常所谓的显著性水平，一般取p<0.05为显著。
其实上面重要的是显著性水平，至于正相关还是负相关我们可以用斜率来表示。斜率可用线性回归的斜率，也可以是Sen’s slope(python中可以用stat包提供的函数来计算)。

---

  想了解关于风速历年变化趋势，被推荐用Mann-Kendall趋势检验，查到一篇相对详细的介绍，转译成中文以飨诸君。原文：Mann-Kendall Test For Monotonic Trend
  水平有限，如有纰漏，还望斧正。

背景知识

  Mann-Kendall(MK)检验(test)(Mann 1945, Kendall 1975, Gilbert 1987) 的目的是统计评估我们所感兴趣的变量，随着时间变化，是否有单调上升或下降的趋势。单调上升（下降）的趋势意味着该变量随时间增加（减少），但此趋势可能是、也可能不是线性的。MK test可替代参数线性回归分析——线性回归可检验线性拟合直线的斜率是否不为零。回归分析要求拟合回归线的残差是正态分布的，MK检验不需要这种假设，MK检验是非参数检验（不要求服从任何分布-distribution free）
  Hirsch, Slack and Smith (1982, page 107)表明MK检验最好被视作探索性分析，最适合用于识别变化显着或幅度较大的站点，并量化这些结果。

相关前提（assumption）

以下这些假设是MK检验的基础：

• 当没有趋势时，随时间获得的数据是独立同分布的。独立的假设是说数据随着时间不是连续相关的。
• 所获得的时间序列上的数据代表了采样时的真是条件。（样本具有代表性）
• 样本的采集、处理和测量方法提供了总体样本中的无偏且具有代表性的观测值。

MK检验不要求数据是正态分布，也不要求变化趋势——如果存在的话——是线性的。如果有缺失值或者值低于一个或多个检测限制，是可以计算MK检测的，但检测性能会受到不利影响。独立性假设要求样本之间的时间足够大，这样在不同时间收集的测量值之间不存在相关性。

计算

MK检验是检验是否拒绝零假设(null hypothesis: H₀)，并接受替代假设（alternative hypothesis: H_a）：
  H₀：没有单调趋势
  H_a：存在单调趋势
最初的假设是：H₀为真，在拒绝H₀并接受H_a之前，数据必须要超出合理怀疑——要到达一定的置信度。
MK检验的流程 (from Gilbert 1987, pp. 209-213)：
  1.将数据按采集时间列出：x₁,x₂,…,x_n,，即分别在时间1,2,…,n得到的数据。

  2.确定所有n(n-1)/2个x_j - x_k差值的符号，其中j > k，这些差值是：x₂ - x₁，x₃ - x₁, … , x_n - x₁，x₃ - x₂，x₄ - x₂，…，x_n - x_n-2，x_n - x_n-1

  3.令sgn(x_j - x_k)作为指示函数，依据x_j - x_k的正负号取值为1,0或-1，即：
$\mathbf{s}\mathbf{g}\mathbf{n}({\mathbf{x}}_{\mathbf{j}}-{\mathbf{x}}_{\mathbf{k}})=\{\begin{array}{l}1,{\mathbf{x}}_{\mathbf{j}}-{\mathbf{x}}_{\mathbf{k}}>0\\ 0,{\mathbf{x}}_{\mathbf{j}}-{\mathbf{x}}_{\mathbf{k}}=0或者x_j-x_k的值因没检测（数据缺失）而不能确定；\\ -1,\end{array}$