statsmodels.discrete.count_model.ZeroInflatedPoissonResults.t_test_pairwise¶

ZeroInflatedPoissonResults.t_test_pairwise(term_name, method='hs', alpha=0.05, factor_labels=None)¶

执行成对t检验，并使用多重检验校正p值。

这使用了公式 design_info 编码对比矩阵，并且应该适用于所有主效应的编码。

Parameters:¶

term_namestr

计算成对比较的术语名称。 分类效应的术语名称由patsy创建， 并与exog名称的主要部分相对应。

method{str, list[str]}

要应用的多重检验p值校正方法。默认值是‘hs’。请参阅stats.multipletesting。

alphafloat

多重检验拒绝决策的显著性水平。

factor_labels{list[str], None}

用于成对标签的因子水平标签。如果未提供，则使用公式 design_info 中的标签。

Returns:¶

MultiCompResult

结果存储为属性，主要属性如下两个。其他属性为调试目的或作为背景信息添加。

• result_frame : 包含t检验结果和多重检验校正p值的pandas DataFrame。

• contrasts : 零假设在 t_test 中的约束矩阵。

注释

状态：实验性。目前仅检查了有无指定参考水平的处理编码。

目前没有可用的多重检验校正置信区间。

示例

>>> res = ols("np.log(Days+1) ~ C(Weight) + C(Duration)", data).fit()
>>> pw = res.t_test_pairwise("C(Weight)")
>>> pw.result_frame
         coef   std err         t         P>|t|  Conf. Int. Low
2-1  0.632315  0.230003  2.749157  8.028083e-03        0.171563
3-1  1.302555  0.230003  5.663201  5.331513e-07        0.841803
3-2  0.670240  0.230003  2.914044  5.119126e-03        0.209488
     Conf. Int. Upp.  pvalue-hs reject-hs
2-1         1.093067   0.010212      True
3-1         1.763307   0.000002      True
3-2         1.130992   0.010212      True