8.非参数方法

1.非参数方法

参数方法 VS 非参数方法

• 总体的分布形式已知，而其中的某些参数未知，我们可以通过从总体中随机抽取样本，根据样本信息对总体参数进行估计和假设检验，这就是一般所说的参数方法
• 总体的分布未知，或虽已知却不能用有限个参数刻画，这时要对总体的某些性质进行估计或假设检验，就要使用非参数方法

注意：

• 非参数方法并非绝对只能解决非参数问题，有些也适用于典型的参数问题
• 对符合使用参数方法条件的数据，首选参数方法；当不满足使用参数方法的条件时，才选用非参数方法
• 如果样本不能很好的代表总体，任何检验方法都是无效的

非参数方法的特点

• 不依赖总体的分布形式，构造的统计量通常与总体分布无关，因此，非参数方法也称为"自由分布"方法
• 不论是分类变量还是数值变量，都可以采用非参数方法进行估计或检验

什么时候选择非参数方法

• 如果中位数（而不是均值）可以更好地描述数据的集中趋势
• 如果处理对象为有序变量或者有不能移除的极端值

2.有符号秩和检验

3.秩和检验

4.斯皮尔曼等级相关检验

5.非参数Bootstrap方法

6.Permutation检验（置换检验）

假设检验 vs Permutation检验

• 假设检验：构造一个统计量，得到这个统计量在零假设为真时的抽样分布，然后把样本统计量的观测值与抽样分布进行比较，进行统计推断
• Permutation test: 使我们可以得到对任意统计量在零假设为真时的抽样分布，从而进行统计推
  Permutation检验举例：
  
  

7.SciPy实现有符号秩和检验

SciPy中符号秩和检验的原理是：遍历样本数据，然后分别记录大于中位数的个数和小于中位数的个数。 则对每一个样本点来说，要么大于中位数，要么小于中位数（等于的排除），那么就是一个0-1分布问题了​ 在原假设情况下，K~b(n,0.5)，在显著性水平为α下的拒绝域为：

import numpy as np
from scipy import stats


data=[36, 32, 31, 25, 28, 36, 40, 32, 41, 26, 35, 35, 32, 87, 33, 35]
data = np.array(data)
# 检验总体均值是否为37
k=min(len(data[data>37]), len(data[data<37])) 
pval=2*stats.binom.cdf(k, len(data), 0.5)
print(pval)

8.SciPy实现秩和检验

import scipy.stats as stats


weight_high=[134,146,104,119,124,161,107,83,113,129]
weight_low=[70,118,101,85,112,132,94,100,68,86]
stats.mannwhitneyu(weight_high,weight_low,alternative='two-sided')