statsmodels.stats.proportion.proportions_ztest¶

statsmodels.stats.proportion.proportions_ztest(count, nobs, value=None, alternative='two-sided', prop_var=False)[source]¶

基于正态（z）检验的比例测试

Parameters:¶

count{int, array_like}

在nobs次试验中成功的次数。如果这是一个类数组对象，那么假设这是表示每个独立样本的成功次数

nobs{int, array_like}

试验或观察的次数，长度与count相同。

valuefloat, array_like or None, optional

这是在单样本检验情况下，零假设等于比例的值。在双样本检验情况下，零假设是 prop[0] - prop[1] = value，其中 prop 是两个样本中的比例。如果没有提供 value = 0，则零假设是 prop[0] = prop[1]

alternativestr in [‘two-sided’, ‘smaller’, ‘larger’]

备择假设可以是双侧的，也可以是单侧检验之一，较小意味着备择假设是prop < value，较大意味着prop > value。在双样本检验中，较小意味着备择假设是p1 < p2，较大意味着p1 > p2，其中p1是第一个样本的比例，p2是第二个样本的比例。

prop_varFalse or float in (0, 1)

如果 prop_var 为 false，则比例估计的方差是基于样本比例计算的。或者，可以指定一个比例来计算此方差。常见的用例是使用零假设下的比例来指定比例估计的方差。

Returns:¶

zstatfloat

z检验的检验统计量

p-valuefloat

z检验的p值

注释

这使用了一个简单的比例正态检验。它应该与对数据进行均值z检验相同，其中事件编码为1，无事件编码为0，以便总和对应于计数。

在一样本和两样本情况下，当备择假设为双侧时，此检验生成的p值与proportions_chisquare相同，因为卡方分布是标准正态分布平方的分布。

示例

>>> count = 5
>>> nobs = 83
>>> value = .05
>>> stat, pval = proportions_ztest(count, nobs, value)
>>> print('{0:0.3f}'.format(pval))
0.695

>>> import numpy as np
>>> from statsmodels.stats.proportion import proportions_ztest
>>> count = np.array([5, 12])
>>> nobs = np.array([83, 99])
>>> stat, pval = proportions_ztest(count, nobs)
>>> print('{0:0.3f}'.format(pval))
0.159