十三、非参数检验：使用python进行两样本尺度参数的Mood检验

位置参数描述了总体的位置, 而描述总体概率分布离散程度的参数是尺度参数. 假定两独立样本$X_1,X_2,...,X_m$和$Y_1,Y_2,...,Y_n$分别来自$N({\mu }_1,{\sigma }_1^2)$和$N({\mu }_2,{\sigma }_2^2)$ , 则检验$H_0:{\sigma }_1^2={\sigma }_2^2$ 最常用的传统的统计方法是F检验, 检验统计量为两独立样本的方差之比$F=S_X^2/S_Y^2$. 在零假设成立时, 它服从自由度为 $(m-1,n-1)$ 的F分布. 但是在总体不是正态或有严重污染时, 上述的F检验就不一定合适了. 本小节介绍的Mood检验是用来检验两样本尺度参数之间关系的一种非参数方法.

设 两 连 续 总 体X与Y 独 立, 样 本$X_1,X_2,...,X_m\sim F(\frac{x-{\theta }_1}{{\sigma }_1}),Y_1,Y_2,...,Y_n\sim F(\frac{y-{\theta }_2}{{\sigma }_2})$, 而且$F(0)=\frac{1}{2},{\theta }_1={\theta }_2.$(若不相等，可以通过平移来使它们相等）。

Python中内置的mood检验

函数原型：stats.mood(x, y, axis=0)
其中的$x,y$是两个要进行检验的样本向量。需要注意的是mood检验是要求位置参数（median）一致，所以在进行运算的时候，要注意平移位置参数，使其一致。

实例

例如： 两个村农民的月收入分别为(单位: 元)
A村：321, 266, 256, 388, 330, 329, 303, 334, 299, 221, 365, 250, 258, 342,343, 298, 238, 317, 354;
B村：488, 598, 507, 428, 807, 342, 512, 350, 672, 589, 665, 549, 451, 481,514, 391, 366, 468.`
问两个村农民的月收入的内部差异是否相同？（$\alpha =0.05$）

解：使用python计算如下：

import numpy as np
from scipy import stats

A=[321, 266, 256, 388, 330, 329, 303, 334, 299,221, 365, 250, 258, 342, 343, 298, 238, 317, 354]
B=[488, 598, 507, 428, 807, 342, 512, 350, 672,589, 665, 549, 451, 481, 514, 391, 366, 468]

# 为了能够进行向量运算，将列表转换成ndarray
A = np.array(A)
B = np.array(B)

# 平移位置
diff = np.median(B) - np.median(A)
A = A + diff
stats.mood(A, B)
# 结果
(-2.4846182920087676, 0.012969041205002823)

因为$pval=0.012969041205002823<\alpha =0.05$, 所以拒绝原假设，可以认为这两个村的内部差异是不同的。