statsmodels.sandbox.stats.multicomp.StepDown¶

class statsmodels.sandbox.stats.multicomp.StepDown(vals, nobs_all, var_all, df=None)[source]¶

用于逐步下降方法的类

目前这是用于简单的树子集下降，类似于homogeneous_subsets， 但检查所有留一法子集，而不是假设一个有序集合。 SAS手册中的注释： SAS仅使用排序列表的区间子集，这对于范围测试是足够的（可能还需要等方差和平衡样本大小）。 对于基于F检验的关键距离，限制在区间内是不够的。

此版本使用学生化范围分布的单一临界值进行所有比较，因此是Tukey HSD的逐步下降版本。类的设计使其可以被继承，其中get_distance_matrix和get_crit被重写以获得其他逐步下降程序，如REGW。

iter_subsets 可以被重写，以获得类似于在多对一比较中使用控制的情况下的递归，例如在Dunnet’s测试中。

单侧右尾检验未被涵盖，因为不等式的方向在check_set中是硬编码的。此外，Peritz的分区检查是不可能的，但我没有在任何更近期的参考文献中看到它被提及。我只部分阅读了Westfall关于闭合检验的逐步下降程序。

为了使其更加灵活，一个改变是将决策分离出来，这也因为基于F的检验（如SPSS中的FREGW）从集合的所有元素中获取信息，而不仅仅是成对比较。我还没有详细研究过诸如Sheffe这样的基于F的检验。看起来像是在每个子集上运行一个关于均等性的F检验。这也会外包如何组合成对条件，任何更大或最大值。这也意味着对于像基于F的检验，距离矩阵不能提前计算。

方法

check_set(indices)	检查索引对之间的距离是否满足条件
get_crit(alpha)	获取Tukey Q临界值
get_distance_matrix()	学生化范围统计量
iter_subsets(indices)	迭代子步骤
run(alpha)	运行测试的主函数，
stepdown(indices)