adf检验代码 python_常用统计检验的Python实现和结果解释

前言

今天给大家整理了一些使用python进行常用统计检验的命令与说明，请注意，本文仅介绍如何使用python进行不同的统计检验，对于文中涉及的假设检验、统计量、p值、非参数检验、iid等统计学相关的专业名词以及检验背后的统计学意义不做讲解，因此读者应该具有一定统计学基础。

正态性检验

正态性检验是检验数据是否符合正态分布，也是很多统计建模的必要步骤，在Python中实现正态性检验可以使用 W检验( SHAPIRO-WILK TEST)

检验原假设：样本服从正态分布

Python命令 stat, p = shapiro(data) 

结果解释：当p值小于某个显著性水平α(如0.05)时，则认为样本不是来自正态分布的总体，否则承认样本来自正态分布的总体。

##########示例代码
from scipy.stats import shapiro
data = [0.86, 0.78, 0.83, 0.84, 0.77, 0.84, 0.81, 0.84, 0.81, 0.81, 0.80, 0.81,
       0.79, 0.74, 0.82, 0.78, 0.82, 0.78, 0.81, 0.80, 0.81, 0.74, 0.87, 0.78]
stat, p = shapiro(data)
print("stat为：%f" %stat,"p值为：%f" %p)
#stat为：0.966175 p值为：0.574134

相关性检验：皮尔逊相关系数

皮尔逊相关系数(Pearson Correlation Coefficient)用于衡量两个变量之间的线性相关相关关系，相关系数的取值在-1与1之间，大于0为正相关，小于0为负相关。

基本假定：

• 每个样本中的观察是独立同分布的

• 每个样本的观察都是正态分布的

• 每个样本的观察具有相同的方差

• 所有