设有
n
n
n个相互独立的观测结果
(
X
1
,
Y
1
)
(X_1,Y_1)
(X1,Y1),
(
X
2
,
Y
2
)
(X_2,Y_2)
(X2,Y2),
⋯
\cdots
⋯,
(
X
n
,
Y
n
)
(X_n,Y_n)
(Xn,Yn),诸对
X
i
X_i
Xi和
Y
i
Y_i
Yi受同一因素影响,
D
i
=
X
i
−
Y
i
D_i=X_i-Y_i
Di=Xi−Yi~
N
(
μ
,
σ
2
)
,
i
=
1
,
2
,
⋯
,
n
N(\mu,\sigma^2),i=1,2,\cdots,n
N(μ,σ2),i=1,2,⋯,n。其中
μ
\mu
μ和
σ
2
\sigma^2
σ2均未知。在指定显著水平
α
\alpha
α下,检验假设
H
0
:
μ
=
μ
0
(
H
1
:
μ
≠
μ
0
)
或
H
0
:
μ
≤
μ
0
(
H
1
:
μ
>
μ
0
)
或
H
0
:
μ
≥
μ
0
(
H
1
:
μ
<
μ
0
)
.
H_0:\mu=\mu_0(H_1:\mu\not=\mu_0)\text{或}\\H_0:\mu\leq\mu_0(H_1:\mu>\mu_0)\text{或} \\H_0:\mu\geq\mu_0(H_1:\mu<\mu_0).
H0:μ=μ0(H1:μ=μ0)或H0:μ≤μ0(H1:μ>μ0)或H0:μ≥μ0(H1:μ<μ0).
的问题,称为基于成对数据的检验问题。由于
D
i
D_i
Di~
N
(
μ
,
σ
2
)
,
i
=
1
,
2
,
⋯
,
n
N(\mu,\sigma^2),i=1,2,\cdots,n
N(μ,σ2),i=1,2,⋯,n,且
σ
2
\sigma^2
σ2未知,故可用
t
t
t检验法解决基于成对数据的检验问题。
由于
D
i
=
X
i
−
Y
i
D_i=X_i-Y_i
Di=Xi−Yi~
N
(
μ
,
σ
2
)
N(\mu,\sigma^2)
N(μ,σ2),
i
=
1
,
2
,
⋯
,
n
i=1,2,\cdots,n
i=1,2,⋯,n,其中
σ
2
\sigma^2
σ2未知。在显著水平
α
=
0.05
\alpha=0.05
α=0.05下,为检验假设
H
0
:
μ
=
μ
0
H_0:\mu=\mu_0
H0:μ=μ0(或
H
0
:
μ
≤
μ
0
H_0:\mu\leq\mu_0
H0:μ≤μ0或
H
0
:
μ
≥
μ
0
H_0:\mu\geq\mu_0
H0:μ≥μ0),scipy.stats包提供了函数
ttest_1samp(a, popmean, alternative=’two-sided’)
\text{ttest\_1samp(a, popmean, alternative='two-sided')}
ttest_1samp(a, popmean, alternative=’two-sided’)
其参数a表示序列
{
d
1
=
x
1
−
y
1
,
d
2
=
x
2
−
y
2
,
⋯
,
d
n
=
x
n
−
y
n
}
\{d_1=x_1-y_1,d_2=x_2-y_2,\cdots,d_n=x_n-y_n\}
{d1=x1−y1,d2=x2−y2,⋯,dn=xn−yn},popmean表示
μ
\mu
μ的假设值
μ
0
\mu_0
μ0,alternative为三个选项之一’two-sided’,‘greater’或’less’,分别表示双侧假设、右侧假设及左侧假设,缺省值为表示双侧假设的’two-sided’。该函数的返回值包括两个数据:表示检验统计量值
d
‾
−
μ
0
s
/
n
\frac{\overline{d}-\mu_0}{s/\sqrt{n}}
s/nd−μ0的statistic和表示检验p值的pvalue。
例1将双胞胎分开来抚养,一个由父母亲自带大,另一个不是由父母亲自带大。现取14对双胞胎测试他们的智商,智商测试得分如下:
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
父母带大 X i X_i Xi | 23 | 31 | 25 | 18 | 19 | 25 | 28 | 18 | 25 | 28 | 22 | 14 | 34 | 36 |
非父母带大 Y i Y_i Yi | 22 | 31 | 29 | 24 | 28 | 31 | 27 | 15 | 23 | 27 | 26 | 19 | 30 | 28 |
希望比较两种不同的成长环境是否对孩子的智商有不同的影响。
解: 首先,注意到表中数据是成对出现的,14对双胞胎的智商
(
X
i
,
Y
i
)
,
i
=
1
,
2
,
⋯
,
14
(X_i,Y_i),i=1,2,\cdots,14
(Xi,Yi),i=1,2,⋯,14,任何两对双胞胎的成长过程互不影响,故可以认为是相互独立的。同一家庭的双胞胎孩子的智商
X
i
X_i
Xi和
Y
i
Y_i
Yi应当由某种联系。为考察一对双胞胎的不同成长环境对智商的影响,考虑两者的差
D
i
=
X
i
−
Y
i
,
i
=
1
,
2
,
⋯
,
14
D_i=X_i-Y_i,i=1,2,\cdots,14
Di=Xi−Yi,i=1,2,⋯,14。由于诸
D
i
D_i
Di均受同样因素(孩子的成长环境)影响,故可认为具有相同的分布。假定
D
i
D_i
Di~
N
(
μ
,
σ
2
)
,
i
=
1
,
2
,
⋯
,
14
N(\mu,\sigma^2),i=1,2,\cdots,14
N(μ,σ2),i=1,2,⋯,14(由诸
(
X
i
,
Y
i
)
(X_i,Y_i)
(Xi,Yi)的相互独立性,知诸
D
i
D_i
Di也是相互独立的),本例即是需要在一定的显著水平
α
\alpha
α下检验假设
H
0
:
μ
=
0
(
H
1
:
μ
≠
0
)
.
H_0:\mu=0(H_1:\mu\not=0).
H0:μ=0(H1:μ=0).
下列代码完成例7-26中对双侧假设
H
0
H_0
H0在显著水平
α
=
0.05
\alpha=0.05
α=0.05下的检验计算。
import numpy as np #导入numpy
from scipy.stats import ttest_1samp #导入ttest_1samp
x=np.array([23, 31, 25, 18, 19, 25, 28, #设置样本数据
18, 25, 28, 22, 14, 34, 36])
y=np.array([22, 31, 29, 24, 28, 31, 27,
15, 23, 27, 26, 19, 30, 28])
alpha=0.05 #显著水平
d=x-y #计算di=xi-yi
_,pvalue=ttest_1samp(d, 0) #计算检验p值
print('mu=0 is %s.'%(pvalue>=alpha))
程序的第3~7行按题面设置各项数据。第8行计算序列 d = { d 1 = x 1 − y 1 , d 2 = x 2 − y 2 , ⋯ , d n = x n − y n } d=\{d_1=x_1-y_1,d_2=x_2-y_2,\cdots,d_n=x_n-y_n\} d={d1=x1−y1,d2=x2−y2,⋯,dn=xn−yn},记为d。第9行调用函数ttest_1samp计算检验假设 H 0 H_0 H0的p值(由于此处不需要检验统计量值,故用下划线’_'将返回值中的statistic屏蔽掉),第10行计算检验并输出。
mu=0 is True.
表示接受假设
H
0
:
μ
=
0
H_0:\mu=0
H0:μ=0,即生长环境对孩子的智商没有显著影响。
写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
代码诚可贵,原理价更高。若为AI学,读正版书好。
返回《导引》