statsmodels.stats.power.FTestPower.solve_power¶

FTestPower.solve_power(effect_size=None, df_num=None, df_denom=None, alpha=None, power=None, ncc=1, **kwargs)[source]¶

求解F检验功效的任意一个参数

for the one sample F-test the keywords are:

效应量, df_num, df_denom, 显著性水平, 功效

必须有一个是 None，其他所有都需要数值。

效应量是Cohen的f，即f2的平方根。

样本大小由 nobs = df_denom + df_num + ncc 给出。

警告：df_num 和 df_denom 的含义是相反的。

Parameters:¶

effect_sizefloat

标准化效应量。这里的效应量是Cohen的f，即f2的平方根。

df_numint or float

警告 不正确的名称 分母自由度， 这对应于Wald检验中的约束数量。 样本大小由nobs = df_denom + df_num + ncc给出

df_denomint or float

警告 不正确的名称 分子自由度。 这对应于Wald检验中的df_resid。

alphafloat in interval (0,1)

显著性水平，例如0.05，是第一类错误的概率，即当原假设为真时错误拒绝的概率。

powerfloat in interval (0,1)

检验的功效，例如0.8，是1减去II类错误的概率。功效是当备择假设为真时，检验正确拒绝原假设的概率。

nccint

非中心性参数的自由度校正。 参见注释

kwargsempty

kwargs 未被使用，包含它们是为了向后兼容。 如果使用 nobs 作为关键字，则会发出警告。kwargs 中的所有其他关键字都会引发 ValueError。

Returns:¶

valuefloat

在调用中被设置为None的参数的值。该值解决了给定其余参数的幂方程。

注释

该方法使用 scipy.optimize 来寻找满足幂方程的值。它首先使用 brentq 进行先验搜索以确定边界。如果这未能找到根，则使用 fsolve。如果 fsolve 也失败，那么对于 alpha、power 和 effect_size，使用带有固定边界的 brentq。然而，仍有可能出现失败的情况。