Непараметричні тести

Основи інференції в Python

Paul Savala

Assistant Professor of Mathematics

Непараметричні тести

  • Можуть мати припущення
  • Не вимагають нормальності
  • Застосовні до широкого спектра даних
  • Іноді менш потужні
  • Корисні для рангових даних (напр., зіркові оцінки)

Чотири гістограми з даними різної форми.

Основи інференції в Python

Параметричні тести

 

  • t-тест для незалежних вибірок
  • ANOVA
  • Парний t-тест
  • Коефіцієнт кореляції Пірсона R

Непараметричні

 

  • Тест Вілкоксона — Манна—Вітні U
  • Тест Крускала—Волліса
  • Тест медіани Муда
  • Коефіцієнт тау Кендалла
Основи інференції в Python

Тест медіани Муда

Порівнює медіани двох парних вимірювань

П'ять рядків датафрейму з різними університетами та дві колонки з їхніми балами.

Ймовірно, не нормально розподілені

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

Тест медіани Муда

print(p_value < 0.05)

TRUE
  • Висновок: Медіанні ранги відрізняються
  • t-тести припускають нормальність (тест Муда — ні)
  • Коректні висновки лише за відповідності даних і припущень
  • Використовуйте належний інструмент!
Основи інференції в Python

Тау Кендалла

  • Значення між -1 і 1
  • $\tau = -1$: Повна невідповідність
  • $\tau = 0$: Немає кореляції
  • $\tau = 1$: Повна відповідність

П'ять рядків датафрейму з різними університетами, що показують їхні ранги.

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


print(tau, p_value < 0.05)

0.651, TRUE
Основи інференції в Python

Давайте потренуємось!

Основи інференції в Python

Preparing Video For Download...