Python 如何使用numpy/scipy进行双样本单尾t检验

在

R

中，可以使用

> A = c(0.19826790, 1.36836629, 1.37950911, 1.46951540, 1.48197798, 0.07532846)
> B = c(0.6383447, 0.5271385, 1.7721380, 1.7817880)
> t.test(A, B, alternative="greater")

    Welch Two Sample t-test

data:  A and B 
t = -0.4189, df = 6.409, p-value = 0.6555
alternative hypothesis: true difference in means is greater than 0 
95 percent confidence interval:
 -1.029916       Inf 
sample estimates:
mean of x mean of y 
0.9954942 1.1798523 

在Python世界中，

scipy

提供了类似的函数，但它只能进行双尾t检验。我找到的关于这个主题的最接近的信息是link，但它似乎是关于在

scipy

中实现单尾与双尾策略的讨论

---

因此，我的问题是，是否有人知道如何使用邮件列表链接中的

numpy/scipy

？

执行单尾版本测试的示例或说明：

因为单面测试可以从双面测试中退出 测验。（对于对称分布，单边p值仅为一半。） 双边pvalue的定义）

---

它接着说，scipy总是给出带符号的测试统计数据。这意味着，给定双尾检验的p和t值，当p/20时，您将拒绝大于检验的无效假设，当无效假设为

Ho:P1>=P2

且替代假设为

Ha:P10

时，您将拒绝小于检验的无效假设，实际z分数实际上等于

-statstic

，实际p值等于pvalue/2

---

Ivc的答案应该是当

（1-p/2）

时，您可以拒绝小于的假设

在尝试将一些见解作为评论添加到已接受的答案中，但由于对评论的一般限制，无法正确地将其写下后，我决定将我的两美分作为完整答案

首先，让我们恰当地阐述我们的调查问题。我们正在调查的数据是

A = np.array([0.19826790, 1.36836629, 1.37950911, 1.46951540, 1.48197798, 0.07532846])
B = np.array([0.6383447, 0.5271385, 1.7721380, 1.7817880])

用抽样方法

A.mean() = 0.99549419
B.mean() = 1.1798523

我假设，由于B的平均值明显大于A的平均值，您想检查这个结果是否具有统计学意义

所以我们有了零假设

H0: A >= B

H1: B > A

我们愿意拒绝，而支持另一种假设

H0: A >= B

H1: B > A

现在，当您调用

scipy.stats.ttest_u ind（x，y）

时，这会对

x.mean（）-y.mean（）

的值进行假设检验，这意味着为了在整个计算过程中获得正值（简化所有考虑），我们必须调用

stats.ttest_ind(B,A)

而不是

stats.ttest\u ind（B，A）

。我们得到了答案

• t值=0.42210654140239207

• p-value=0.68406235191764142

由于这是双尾t检验的结果，我们必须将

p

除以2进行单尾检验。因此，根据重要性级别

alpha

选择您需要的

p/2 < alpha

我们从这样的统计表中得到

我们显然有

t < t_crit

t

因此，我们再次得到了相同的结果，即我们不能拒绝H0，你看到了吗

我认为这正是这个问题所关注的

基本上：

import scipy.stats
x = [1,2,3,4]
scipy.stats.ttest_1samp(x, 0)

Ttest_1sampResult(statistic=3.872983346207417, pvalue=0.030466291662170977)

与scipy.stats import ttest\u ind中的R.

中的示例结果相同
def t_测试（x，y，备选方案=‘双面’）：
_，double_p=ttest_ind（x，y，equal_var=False）
如果备选方案==‘双面’：
pval=双p
elif alternative==“更大”：
如果np.平均值（x）>np.平均值（y）：
pval=双p/2。
其他：
pval=1.0-双p/2。
elif alternative==“更少”：
如果np.平均值（x）

基于R中的此函数：

def t测试（a，b，轴=0，相等值=True，nan_policy='propagate'，
备选方案='two.sided'）：
tval，pval=ttest\u ind（a=a，b=b，轴=轴，相等值=相等值，
nan_策略=nan_策略）
如果备选方案==“更大”：
如果tval<0：
pval=1-pval/2
其他：
pval=pval/2
elif alternative==“更少”：
如果tval<0：
pval/=2
其他：
pval=1-pval/2
其他：
assert alternative=='two.side'
返回tval，pval

这里还有一段相关视频：我对

t

的这种表述有点困惑。H0:first大于second

first=np.random.normal（3,2400）；第二个=np.随机.正常（6,2400）；t、 p=stats.ttest_ind（第一，第二，轴=0，相等值=True）t-stat=-23.0，p-value/2=1.33e-90t@Tonja：由于第一个平均值和第二个平均值之间的差值为负值，因此得到的t-stat为负值。
scipy.stats.ttest\u ind（a，b）
计算的平均值的差异是
mean（a）-mean（b）
，因此如果您试图证明的另一种假设是
mean（second）>mean（first）
，那么您可以调用
scipy.stats.ttest\u ind（second，first）
，并且您不必担心符号。在这种情况下，拒绝零假设（即，
平均（秒）t_crit（df）
，…
t_crit（df）
是
df
自由度的临界t值，它基本上是
样本大小\u 1+样本大小\u 2-2
，可以从这样的统计表中读取…用于单尾检验（或者这是一个双尾测试）。当我阅读你的帖子时，我感到非常惊讶。从我的观点来看，我认为在单面p值中，p应该总是在p/2之外。你能给我一些关于（1-p/2）的相关文档吗？根据，只有当参数
equal\u var
设置为False时，你才能
stat
import scipy.stats
x = [1,2,3,4]
scipy.stats.ttest_1samp(x, 0)

Ttest_1sampResult(statistic=3.872983346207417, pvalue=0.030466291662170977)

    from scipy.stats import ttest_ind  
    
    def t_test(x,y,alternative='both-sided'):
            _, double_p = ttest_ind(x,y,equal_var = False)
            if alternative == 'both-sided':
                pval = double_p
            elif alternative == 'greater':
                if np.mean(x) > np.mean(y):
                    pval = double_p/2.
                else:
                    pval = 1.0 - double_p/2.
            elif alternative == 'less':
                if np.mean(x) < np.mean(y):
                    pval = double_p/2.
                else:
                    pval = 1.0 - double_p/2.
            return pval

    A = [0.19826790, 1.36836629, 1.37950911, 1.46951540, 1.48197798, 0.07532846]
    B = [0.6383447, 0.5271385, 1.7721380, 1.7817880]

    print(t_test(A,B,alternative='greater'))
    0.6555098817758839

def ttest(a, b, axis=0, equal_var=True, nan_policy='propagate',
          alternative='two.sided'):        
    tval, pval = ttest_ind(a=a, b=b, axis=axis, equal_var=equal_var,
                           nan_policy=nan_policy)
    if alternative == 'greater':
        if tval < 0:
            pval = 1 - pval / 2
        else:
            pval = pval / 2
    elif alternative == 'less':
        if tval < 0:
            pval /= 2
        else:
            pval = 1 - pval / 2
    else:
        assert alternative == 'two.sided'
    return tval, pval