Icke-parametriska test

Grunderna i inferens med Python

Paul Savala

Assistant Professor of Mathematics

Icke-parametriska test

  • Kan ha antaganden
  • Kräver inte normalfördelning
  • Tillämpas på en bred variation av data
  • Ibland mindre kraftfulla
  • Användbara för rangordnad data (t.ex. stjärnbetyg)

Fyra histogram, vart och ett med olika dataform.

Grunderna i inferens med Python

Parametriska test

 

  • Oberoende t-test
  • ANOVA
  • Parat t-test
  • Pearsons R

Icke-parametriska

 

  • Wilcoxon-Mann-Whitneys U-test
  • Kruskal-Wallis test
  • Moods mediantest
  • Kendalls tau
Grunderna i inferens med Python

Moods mediantest

Jämför medianer från två parade mätningar

Fem rader i en DataFrame med olika universitet och två kolumner med universitetspoäng.

Sannolikt inte normalfördelad

s, p_value, m, table = stats.median_test(df['thew_score'], df['arw_score'])
Grunderna i inferens med Python

Moods mediantest

print(p_value < 0.05)

TRUE
  • Slutsats: Olika medianrangordningar
  • T-test antar normalfördelning (Moods mediantest gör inte det)
  • Giltig slutledning kräver att data och antaganden stämmer överens
  • Använd rätt verktyg för uppgiften!
Grunderna i inferens med Python

Kendalls tau

  • Värden mellan -1 och 1
  • $\tau = -1$: Fullständig oenighet
  • $\tau = 0$: Ingen korrelation
  • $\tau = 1$: Fullständig enighet

Fem rader i en DataFrame med olika universitet och universitetsrankningar för varje universitet.

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


print(tau, p_value < 0.05)

0.651, TRUE
Grunderna i inferens med Python

Nu kör vi en övning!

Grunderna i inferens med Python

Preparing Video For Download...