scipy.stats.mstats.

brunnermunzel#

scipy.stats.mstats.brunnermunzel(x, y, alternative='two-sided', distribution='t')[Quelle]#

Berechnet den Brunner-Munzel-Test für die Stichproben x und y.

Fehlende Werte in x und/oder y werden verworfen.

Der Brunner-Munzel-Test ist ein nichtparametrischer Test der Nullhypothese, dass bei paarweiser Entnahme von Werten aus jeder Gruppe die Wahrscheinlichkeit, in beiden Gruppen große Werte zu erhalten, gleich ist. Im Gegensatz zum Wilcoxon-Mann-Whitney-U-Test erfordert dieser keine Annahme der Äquivarianz zweier Gruppen. Beachten Sie, dass dies nicht davon ausgeht, dass die Verteilungen gleich sind. Dieser Test arbeitet mit zwei unabhängigen Stichproben, die unterschiedliche Größen haben können.

Parameter:

x, yarray_like: Array von Stichproben, sollte eindimensional sein.
alternative‘less’, ‘two-sided’ oder ‘greater’, optional: Ob der p-Wert für die einseitige Hypothese (‘less’ oder ‘greater’) oder für die zweiseitige Hypothese (‘two-sided’) ermittelt werden soll. Der Standardwert ist ‘two-sided’.
distribution‘t’ oder ‘normal’, optional: Ob der p-Wert mithilfe der t-Verteilung oder der Standardnormalverteilung ermittelt werden soll. Der Standardwert ist ‘t’.

Rückgabe:

statisticfloat: Die Brunner-Munzer W-Statistik.
pvaluefloat: p-Wert unter Annahme einer t-Verteilung. Einseitig oder zweiseitig, abhängig von der Wahl von alternative und distribution.

Siehe auch

mannwhitneyu: Mann-Whitney-Rangtest für zwei Stichproben.

Hinweise

Weitere Details zu brunnermunzel finden Sie unter scipy.stats.brunnermunzel.

Beispiele

>>> from scipy.stats.mstats import brunnermunzel
>>> import numpy as np
>>> x1 = [1, 2, np.nan, np.nan, 1, 1, 1, 1, 1, 1, 2, 4, 1, 1]
>>> x2 = [3, 3, 4, 3, 1, 2, 3, 1, 1, 5, 4]
>>> brunnermunzel(x1, x2)
BrunnerMunzelResult(statistic=1.4723186918922935, pvalue=0.15479415300426624)  # may vary