Непараметрические тесты

Основы статистического вывода на Python

Paul Savala

Assistant Professor of Mathematics

Непараметрические тесты

  • Могут иметь допущения
  • Не требуют нормальности
  • Применимы к широкому спектру данных
  • Иногда менее мощные
  • Полезны для ранговых данных (например, звёздные оценки)

Четыре гистограммы с данными различной формы распределения.

Основы статистического вывода на Python

Параметрические тесты

 

  • Двухвыборочный t-тест
  • ANOVA
  • Парный t-тест
  • Критерий Пирсона r

Непараметрические

 

  • U-критерий Вилкоксона–Манна–Уитни
  • Критерий Краскела–Уоллиса
  • Медианный критерий Муда
  • Тау Кендалла
Основы статистического вывода на Python

Медианный критерий Муда

Сравнивает медианы двух парных измерений

Пять строк DataFrame с различными университетами и двумя столбцами оценок.

Распределение, скорее всего, не нормальное

s, p_value, m, table = stats.median_test(df['thew_score'], df['arw_score'])
Основы статистического вывода на Python

Медианный критерий Муда

print(p_value < 0.05)

TRUE
  • Вывод: Медианные ранги различаются
  • t-тесты предполагают нормальность (медианный критерий Муда — нет)
  • Вывод корректен только при соответствии данных и допущений
  • Используйте подходящий инструмент!
Основы статистического вывода на Python

Тау Кендалла

  • Значения от -1 до 1
  • $\tau = -1$: полное несогласие
  • $\tau = 0$: корреляция отсутствует
  • $\tau = 1$: полное согласие

Пять строк DataFrame с различными университетами и их рейтингами.

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


print(tau, p_value < 0.05)

0.651, TRUE
Основы статистического вывода на Python

Давайте потренируемся!

Основы статистического вывода на Python

Preparing Video For Download...