統計不球人2

套路 23: 比較多組比例 (Comparing Multiple-Proportions) 1. 使用時機 : 用於比較觀測到的多組比例 (proportion) ，多組 二分變量 (dichotomous variables) 分析 。 二分變量是結果只有兩種的事件。 2. 分析類型 : 母數分析 (parametric analysis) 。 直接使用資料數值算統計叫 parametric 方法，把資料排序之後用排序的名次算統計叫 non-parametric 方法。 3. 前提假設 : 無。 4. 資料範例 : 咪路調查不同性別大學生頭髮顏色 ， 資料如下： 髮色 黑色 棕色 金色 紅色 總數 男生 32 43 16 9 100 女生 55 65 64 16 200 總數 87 108 80 25 試問不同髮色性別比例是否相同 ? H 0 : p 1 = p 2 = p 3 = p 4 不同髮色性別比例相同。 H A : 不同髮色性別比例不同。 5. 使用 Python 比較 多組比例 : import statsmodels.stats.proportion x = [32,43,16,9] y = [87,108,80,25] statsmodels.stats.proportion.proportions_chisquare(x, y) # x = [32,43,16,9] 及 y = [87,108,80,25] 是觀測數據，亦即觀測到的比例是 32/87 、 43/108 、 16/80 及 9/25 。 結果 : (8.987183908045978, 0.029461769652942175) # p-value = 0.02946 ...

套路 22: 比較兩組比例 (Comparing Two-Proportions) 1. 使用時機 : 用於比較觀測到的兩組比例 (proportion) ，兩組 二分變量 (dichotomous variables) 分析 。 二分變量是結果只有兩種的事件。 2. 分析類型 : 母數分析 (parametric analysis) 。 直接使用資料數值算統計叫 parametric 方法，把資料排序之後用排序的名次算統計叫 non-parametric 方法。 3. 前提假設 : 無。 4. 資料範例 : 咪路調查兩個養雞場的蛋雞感染沙門氏菌的比例，資料如下 : 養雞場 1 養雞場 2 加總 有沙門氏菌 18 10 28 沒沙門氏菌 6 15 21 加總 24 25 49 試問兩個養雞場的蛋雞感染沙門氏菌的比例是否有差異 ? H 0 : p 1 = p 2 。 H A : p 1 ≠ p 2 。 5. 使用 Python 比較 兩組比例 方法 : import statsmodels.stats.proportion x = [18,10] y = [24,25] statsmodels.stats.proportion.proportions_ztest(x, y, alternative='two-sided') # x = [18,10] 及 y = [24,25] 是觀測數據，亦即觀測到的比例是 18/24 及 10/25 。 # alternative = "two.sided" 執行雙尾檢定， H 0 : p 1 = p 2 。 # 如果要檢定 : H 0 : p 1 ≥ p 2 & H A : p 1 < p 2 或 H 0 : p 1 > p 2 & H A : p 1 ≤ p 2 ， alt...

套路 21: 單一比例檢定 (One-Proportion test) 1. 使用時機 : 用於比較觀測到的比例 (proportion) 和理論 ( 期望值 ) 比例， 二分變量 (dichotomous variables) 分析 。 二分變量是結果只有兩種的事件。 2. 分析類型 : 母數分析 (parametric analysis) 。 直接使用資料數值算統計叫 parametric 方法，把資料排序之後用排序的名次算統計叫 non-parametric 方法。 3. 前提假設 : 無。 4. 資料範例 : 咪路在東海大學相思林釣到 30 隻攀木蜥蜴，其中 12 隻是公的 18 隻是母的，試問此區域攀木蜥蜴性別比例是否為 1:1?   H 0 : p = 0.5 。 H A : p ≠ 0.5 。 5. 使用 Python 計算 單一比例檢定 方法 : import statsmodels.stats.proportion statsmodels.stats.proportion.proportions_chisquare(12, 30, value = 0.5) # 12 及 30 是觀測數據，亦即觀測到的比例是 12/30 。 # 0.5 是代測的期望值， H 0 : p = 0.5 。 # alternative = "two.sided" 執行雙尾檢定。 # 如果要檢定 : H 0 : p ≥ 0 & H A : p < 0 或 H 0 : p > 0 & H A : p ≤ 0 ， alternative = "less" 。 # 如果要檢定 : H 0 : p ≤ 0 & H A : p > 0 或 H 0 : p < 0 & H A : p ≥ 0 ， alternative = "greater" 。 結果 : (1.2, 0.273321678292295, (array([[12, 18]]), array([[15., 15.]]))) # p value = 0.2733 > 0.05   接受 H 0...