statsmodels.stats.power.tt_ind_solve_power¶

statsmodels.stats.power.tt_ind_solve_power(effect_size=None, nobs1=None, alpha=None, power=None, ratio=1.0, alternative='two-sided')¶

求解两样本t检验功效的任意一个参数

for t-test the keywords are:

效应量, 样本量1, 显著性水平, 功效, 比例

必须有一个是 None，其他都需要数值

Parameters:¶

effect_sizefloat

标准化效应量，两个均值之差除以标准差。effect_size 必须为正数。

nobs1int or float

样本1的观测数量。样本2的观测数量是样本1大小的ratio倍，即nobs2 = nobs1 * ratio

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。

ratiofloat

样本2中观测值数量相对于样本1的比例。参见nobs1的描述 ratio的默认值为1；要根据其他参数求解ratio，必须显式设置为None。

alternativestr, ‘two-sided’ (default), ‘larger’, ‘smaller’

额外参数用于选择是计算双侧（默认）还是单侧检验的幂。单侧检验可以是‘larger’（更大）或‘smaller’（更小）。

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

该函数使用 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，将使用具有固定边界的 brentq。然而，仍然可能存在这种情况失败的情况。