Testy nieparametryczne

Podstawy wnioskowania statystycznego w Pythonie

Paul Savala

Assistant Professor of Mathematics

Testy nieparametryczne

  • Mogą mieć założenia
  • Nie wymagają normalności
  • Stosowane do szerokiego zakresu danych
  • Czasem mniej skuteczne
  • Przydatne dla danych rangowanych (np. oceny gwiazdkowe)

Cztery histogramy, każdy z danymi o innym kształcie rozkładu.

Podstawy wnioskowania statystycznego w Pythonie

Testy parametryczne

 

  • Test t dla prób niezależnych
  • ANOVA
  • Test t dla prób zależnych
  • R Pearsona

Nieparametryczne

 

  • Test U Wilcoxona-Manna-Whitneya
  • Test Kruskala-Wallisa
  • Test mediany Mooda
  • Tau Kendalla
Podstawy wnioskowania statystycznego w Pythonie

Test mediany Mooda

Porównuje mediany z dwóch sparowanych pomiarów

Pięć wierszy ramki DataFrame z różnymi uczelniami i dwiema kolumnami z wynikami.

Prawdopodobnie rozkład nienormalny

s, p_value, m, table = stats.median_test(df['thew_score'], df['arw_score'])
Podstawy wnioskowania statystycznego w Pythonie

Test mediany Mooda

print(p_value < 0.05)

TRUE
  • Wniosek: Różne mediany rankingów
  • Testy t zakładają normalność (test Mooda nie)
  • Wnioskowanie jest trafne tylko przy zgodności danych i założeń
  • Należy dobrać odpowiednie narzędzie do zadania!
Podstawy wnioskowania statystycznego w Pythonie

Tau Kendalla

  • Wartości między -1 a 1
  • $\tau = -1$: Całkowita niezgodność
  • $\tau = 0$: Brak korelacji
  • $\tau = 1$: Całkowita zgodność

Pięć wierszy ramki DataFrame z różnymi uczelniami, pokazujące rankingi każdej z nich.

tau, p_value = stats.kendalltau(
    df['thew_rank'], 
    df['arw_rank'])


print(tau, p_value < 0.05)

0.651, TRUE
Podstawy wnioskowania statystycznego w Pythonie

Czas na ćwiczenia!

Podstawy wnioskowania statystycznego w Pythonie

Preparing Video For Download...