การทดสอบแบบไม่อิงพารามิเตอร์

พื้นฐานการอนุมานทางสถิติด้วย Python

Paul Savala

Assistant Professor of Mathematics

การทดสอบแบบไม่อิงพารามิเตอร์

  • อาจมีข้อสมมติบางอย่าง
  • ไม่ จำเป็นต้องมีการแจกแจงแบบปกติ
  • ใช้ได้กับข้อมูลหลากหลายประเภท
  • บางครั้งมีกำลังทางสถิติต่ำกว่า
  • เหมาะกับข้อมูลเชิงอันดับ (เช่น การจัดดาว)

ฮิสโทแกรม 4 แบบ แต่ละแบบมีรูปร่างการแจกแจงข้อมูลที่แตกต่างกัน

พื้นฐานการอนุมานทางสถิติด้วย Python

การทดสอบแบบอิงพารามิเตอร์

 

  • Independent sample t-test
  • ANOVA
  • Paired sample t-test
  • Pearson's R

แบบไม่อิงพารามิเตอร์

 

  • Wilcoxon-Mann-Whitney U test
  • Kruskal-Wallis test
  • Mood's median test
  • Kendall's tau
พื้นฐานการอนุมานทางสถิติด้วย Python

Mood's median test

เปรียบเทียบค่ามัธยฐานจากการวัดแบบจับคู่สองครั้ง

DataFrame 5 แถว แสดงข้อมูลมหาวิทยาลัยต่าง ๆ และคะแนนของแต่ละมหาวิทยาลัย 2 คอลัมน์

ข้อมูลมีแนวโน้มไม่ได้แจกแจงแบบปกติ

s, p_value, m, table = stats.median_test(df['thew_score'], df['arw_score'])
พื้นฐานการอนุมานทางสถิติด้วย Python

Mood's median test

print(p_value < 0.05)

TRUE
  • สรุป: ค่ามัธยฐานของอันดับแตกต่างกัน
  • t-test ต้องการการแจกแจงแบบปกติ แต่ Mood's median test ไม่จำเป็น
  • การอนุมานที่ถูกต้องต้องใช้วิธีที่สอดคล้องกับข้อมูลและข้อสมมติ
  • เลือกใช้เครื่องมือให้เหมาะกับงาน!
พื้นฐานการอนุมานทางสถิติด้วย Python

Kendall's tau

  • ค่าอยู่ระหว่าง -1 ถึง 1
  • $\tau = -1$: ไม่สอดคล้องกันอย่างสมบูรณ์
  • $\tau = 0$: ไม่มีความสัมพันธ์
  • $\tau = 1$: สอดคล้องกันอย่างสมบูรณ์

DataFrame 5 แถว แสดงอันดับของมหาวิทยาลัยต่าง ๆ

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


print(tau, p_value < 0.05)

0.651, TRUE
พื้นฐานการอนุมานทางสถิติด้วย Python

มาฝึกกันเถอะ!

พื้นฐานการอนุมานทางสถิติด้วย Python

Preparing Video For Download...