我如何在python中进行F测试

Question

如何进行F检验以检查Python中两个向量的方差是否相等？

例如,如果我有

a = [1,2,1,2,1,2,1,2,1,2]
b = [1,3,-1,2,1,5,-1,6,-1,2]

是否有类似的东西

scipy.stats.ttest_ind(a, b)

我发现

sp.stats.f(a, b)

但它似乎与F测试有所不同

Answer 1

对于等方差的检验统计量F检验很简单:

F = Var(X) / Var(Y)

在哪里F分发为df1 = len(X) - 1, df2 = len(Y) - 1

scipy.stats.f您在问题中提到的CDF方法.这意味着您可以为给定的统计信息生成p值,并测试该p值是否大于您选择的alpha级别.

从而:

alpha = 0.05 #Or whatever you want your alpha to be.
p_value = scipy.stats.f.cdf(F, df1, df2)
if p_value > alpha:
    # Reject the null hypothesis that Var(X) == Var(Y)

请注意,F检验对X和Y的非正态性非常敏感,所以除非你有理由确定X和Y是正常分布的,否则你最好做一个更强大的测试,如Levene测试或Bartlett测试..这些测试可以在scipyapi中找到:

• 巴特利特的考验
• Levene的考验

Answer 2

要做单向anova你可以使用

import scipy.stats as stats

stats.f_oneway(a,b)

一种方法Anova检查组之间的方差是否大于组内的方差,并计算使用F分布观察此方差比的概率.这里有一个很好的教程:

https://www.khanacademy.org/math/probability/statistics-inferential/anova/v/anova-1-calculating-sst-total-sum-of-squares

Answer 3

这是一个使用 Python 和 SciPy 计算单侧或两侧 F 检验的简单函数。结果已根据var.test()R 中函数的输出进行检查。请记住其他答案中提到的有关 F 检验对非正态性的敏感性的警告。

import scipy.stats as st

def f_test(x, y, alt="two_sided"):
    """
    Calculates the F-test.
    :param x: The first group of data
    :param y: The second group of data
    :param alt: The alternative hypothesis, one of "two_sided" (default), "greater" or "less"
    :return: a tuple with the F statistic value and the p-value.
    """
    df1 = len(x) - 1
    df2 = len(y) - 1
    f = x.var() / y.var()
    if alt == "greater":
        p = 1.0 - st.f.cdf(f, df1, df2)
    elif alt == "less":
        p = st.f.cdf(f, df1, df2)
    else:
        # two-sided by default
        # Crawley, the R book, p.355
        p = 2.0*(1.0 - st.f.cdf(f, df1, df2))
    return f, p

Answer 4

对于来这里寻求ANOVA F检验或在模型之间进行比较以进行特征选择的任何人

• sklearn.feature_selection.f_classif 做方差分析测试，以及
• sklearn.feature_selection.f_regression 对回归进行顺序测试