Python中的2个样本假设检验

Question

我正努力用Python进行两个样本假设检验，并在R中给出了原始代码。

R中的代码是：-

    prop.test(x=c(10,16), n=c(100,100))`

#p值为0.2931，大于alpha=0.5，因此我们不能拒绝空假设。

我尝试在and和statsmodel库中执行相同的测试。

使用scipy的代码是：-

    import numpy as np
    import scipy.stats as stats

    hats = np.array([[100,10], [100, 16]])
    print("Hats scipy: ", stats.chi2_contingency(hats))`
#The p-value .368767 is greater than alpha=0.5, so we fail to reject the null hypothesis

使用状态模型的代码是：-

    import numpy as np
    import statsmodels.stats.proportion as proportion

    hat_a = 10
    hat_b = 16
    sample_a = 100
    sample_b = 100
    hats = np.array([hat_a, hat_b])
    samples = np.array([sample_a,sample_b])

    chisq, pvalue, table = proportion.proportions_chisquare(hats, samples)
    print('Results are ','chisq =%.3f, pvalue = %.3f'%(chisq, pvalue))

#p值.207大于alpha=0.5，因此我们不能拒绝空假设。

我想说的是，我已经研究了互联网，寻找正确的方式来执行2样本假设检验，并发现了各种方法来编码这一请求使用枕和状态模型。

我的问题是：-是否有一个假设检验，我可以在状态模型或枕，给我相同的结果，我使用R，这是一个p值为0.2931。

我对统计数字和概率都很陌生，所以任何建议都会事先得到极大的感谢。

Answer 1

R的prop.test默认使用Yates连续性校正(它可以使用correct=F关闭)

因此，要在python中进行复制，需要使用Yates连续性校正。这可以用stats.chi2_contingency()来完成。但是，需要调整所观察到的值数组，以便反映RxC表中每个单元格中的数目(在本例中为2x2)。

hats = np.array([[90,10], [84, 16]])
stats.chi2_contingency(hats, correction=True)[1]

输出：

0.2931241173597945