分类数据的 拟合优度检验
独立性检验
分类数据的 拟合优度检验
前面我已经写了关于几种常见的假设检验内容,而 检验主要是测试样本分类数据的分布是否符合预期分布。相信大家如果学过高中生物,都知道孟德尔——遗传学之父,当时他根据颜色和形状把豌豆分为四类:黄圆、绿圆、黄皱和绿皱.孟德尔根据遗传学原理判断这四类的比例应为9:3:3:1.为做验证,孟德尔分别统计了这四类豌豆的个数,正是利用 检验证明了这令人激动的结论
在处理分类数据时,这些类别值本身对统计检验没有多大用处,比如像“男性”、“女性”和“其他”这样的类别数据没有任何数学意义。所以处理分类变量的检验是基于变量计数,而不是变量本身的实际值。
下面通过生成一些虚假的人口统计数据,并通过 检验来检验它们是否不同:
import numpy as np
import pandas as pd
import scipy.stats as stats
national = pd.DataFrame(["white"]*100000 + ["hispanic"]*60000 +\
["black"]*50000 + ["asian"]*15000 + ["other"]*35000)
minnesota = pd.DataFrame(["white"]*600 + ["hispanic"]*300 + \
["black"]*250 +["asian"]*75 + ["other"]*150)
national_table = pd.crosstab(index=national[0], columns="count")
minnesota_table = pd.crosstab(index=minnesota[0], columns="count")
print( "National")
print(national_table)
print(" ")
print( "Minnesota")
print(minnesota_table)
National
col_0 count
0
asian 15000
black 50000
hispanic 60000
other 35000
white 100000
Minnesota
col_0 count
0
asian 75
black 250
hispanic 300
other 150
white 600
检验是基于 检验统计量。使用以下公式计算检验统计量的值:
observed = minnesota_table
national_ratios = national_table/len(national) # 实际值
expected = national_ratios * len(minnesota) # 理论值
chi_squared_stat = (((observed-expected)**2)/expected).sum()
print(chi_squared_stat)
col_0
count 18.194805
dtype: float64
检验假设所有预期计数均不小于5,如果某一类别的个数小于5,就将相邻的某些类别合成为一类。
拒绝域:W={ },其实r为类别数,a为显著性水平
crit = stats.chi2.ppf(q = 0.95, # 找到95%置信度的临界值
df = 4) # 自由度个数
print("Critical value")
print(crit)
p_value = 1 - stats.chi2.cdf(x=chi_squared_stat, # P值
df=4)
print("P value")
print(p_value)
Critical value
9.487729036781154
P value
[0.00113047]
由于检验统计量大于P值,所以得出结论,有95%的把握认为上述两个总体的分布不是相同的。
当然也可以使用scipy.stats.chisquare()函数,十分快捷!
stats.chisquare(f_obs= observed, # 观察值
f_exp= expected) # 理论值
Power_divergenceResult(statistic=array([18.19480519]), pvalue=array([0.00113047]))
独立性检验
独立性检验是统计学的另一种检验方式,它是根据次数判断两类变量彼此相关或相互独立的假设检验。下面生成一些虚假的选民投票数据并进行独立性测试,用于确定教育、政治观点和其他偏好等变量是否因性别、种族和宗教等人口因素而有所不同:
np.random.seed(10)
voter_race = np.random.choice(a= ["asian","black","hispanic","other","white"],
p = [0.05, 0.15 ,0.25, 0.05, 0.5],
size=1000)
voter_party = np.random.choice(a= ["democrat","independent","republican"],
p = [0.4, 0.2, 0.4],
size=1000)
voters = pd.DataFrame({"race":voter_race,
"party":voter_party})
voter_tab = pd.crosstab(voters.race, voters.party, margins = True)
voter_tab.columns = ["democrat","independent","republican","row_totals"]
voter_tab.index = ["asian","black","hispanic","other","white","col_totals"]
observed = voter_tab.iloc[0:5,0:3]
print(voter_tab)
democrat independent republican row_totals
asian 21 7 32 60
black 65 25 64 154
hispanic 107 50 94 251
other 15 8 15 38
white 189 96 212 497
col_totals 397 186 417 1000
对于独立性测试,使用与拟合优度检验相同的检验统计量。主要区别在于,独立性检验必须在二维表格中计算每个单元格的预期计数,而不是一维表格。要获得单元格的预期计数,需要将该单元格的行总计乘以该单元格的列总计,然后除以观察的总数。可以通过np.outer()除以总的观察数快速获得表中所有单元格的理论值
expected = np.outer(voter_tab["row_totals"][0:5],
voter_tab.loc["col_totals"][0:3]) / 1000
expected = pd.DataFrame(expected)
expected.columns = ["democrat","independent","republican"]
expected.index = ["asian","black","hispanic","other","white"]
print(expected)
democrat independent republican
asian 23.820 11.160 25.020
black 61.138 28.644 64.218
hispanic 99.647 46.686 104.667
other 15.086 7.068 15.846
white 197.309 92.442 207.249
现在可以按照之前相同的步骤来计算检验统计量,临界值和p值:
chi_squared_stat = (((observed-expected)**2)/expected).sum().sum()
print(chi_squared_stat)
7.169321280162059
注意:调用此处使用sum()方法两次:第一次是获取列和,第二次是将列和相加,返回整个二维表的总和。
crit = stats.chi2.ppf(q = 0.95, #找到95%置信度的临界值
df = 8)
print("Critical value")
print(crit)
p_value = 1 - stats.chi2.cdf(x=chi_squared_stat, # P值
df=8)
print("P value")
print(p_value)
Critical value
15.50731305586545
P value
0.518479392948842
独立性测试的自由度等于每个变量中类别数减去1的乘积。在本例中,有一个5x3表,因此df=4x2=8。
同样可以使用scipy快速进行独立性测试
stats.chi2_contingency(observed= observed)
(7.169321280162059, 0.518479392948842, 8, array([[ 23.82 , 11.16 , 25.02 ],
[ 61.138, 28.644, 64.218],
[ 99.647, 46.686, 104.667],
[ 15.086, 7.068, 15.846],
[197.309, 92.442, 207.249]]))
输出检验统计量的值、p值和自由度以及理论值矩阵。
7.169321280162059<15.50731305586545,落入接受域,故认为上述两变量之间无显著关系。