ANOVA non-parametrik dan uji t tidak berpasangan

Pengujian Hipotesis dengan Python

James Chapman

Curriculum Manager, DataCamp

Uji Wilcoxon–Mann–Whitney

Juga dikenal sebagai Mann-Whitney U
Uji t pada peringkat input numerik
Bekerja untuk data tidak berpasangan

Menyiapkan uji Wilcoxon–Mann–Whitney

age_vs_comp = stack_overflow[['converted_comp', 'age_first_code_cut']]

age_vs_comp_wide = age_vs_comp.pivot(columns='age_first_code_cut',
                                     values='converted_comp')

age_first_code_cut      adult     child
0                     77556.0       NaN
1                         NaN   74970.0
2                         NaN  594539.0
...                       ...       ...
2258                      NaN   97284.0
2259                      NaN   72000.0
2260                      NaN  180000.0

[2261 rows x 2 columns]

Uji Wilcoxon–Mann–Whitney

alpha=0.01

import pingouin
pingouin.mwu(x=age_vs_comp_wide['child'], 
             y=age_vs_comp_wide['adult'],
             alternative='greater')

        U-val alternative         p-val       RBC      CLES
MWU  744365.5     greater  1.902723e-19 -0.222516  0.611258

Uji Kruskal–Wallis

Uji Kruskal–Wallis berpadanan dengan Uji Wilcoxon–Mann–Whitney seperti ANOVA dengan uji t

alpha=0.01

pingouin.kruskal(data=stack_overflow, 
                 dv='converted_comp', 
                 between='job_sat')

          Source  ddof1          H         p-unc
Kruskal  job_sat      4  72.814939  5.772915e-15

Ayo berlatih!

Pengujian Hipotesis dengan Python