유형 3 문제별 검정 함수 정리

1. 집단 1개, 특정 숫자와의 비교

: t-검정

from scipy import stats
# stats.ttest_1samp(data, value, alternative)
statistics, p_value = stats.ttest_1samp(data, 75, alternative='greater')

alternative: 데이터의 평균이 value보다 크다, 작다, 다르다.

• greater, less, two-sided

2. 서로 독립인 집단 2개의 평균 비교

: 독립 표본 t-검정

# stats.ttest_ind(data1, data2, equal_var, alternative)
from scipy import stats
statistics, p_value = stats.ttest_ind(data1, data2, equal_var=True)

equal_var: 두 집단의 등분산 여부(분산이 같은지)

• True, False

3. 같은 집단의 전/후 비교

: 대응 표본 t-검정

# stats.ttest_rel(a, b, alternative)
statistics, p_value = stats.ttest_rel(before, after, alternative='greater')

• 처리 전과 후(a, b) 데이터의 길이(len)이 반드시 같아야 한다.
  alternative
• greater: b의 평균이 a보다 크다.

---

4. 집단 3개, 집단간 평균 차이 검정

일원배치법(ANOVA): f_oneway

# stats.f_oneway(data1, data2, data3)
f_var = p_value = stats.f_oneway(data1, data2, data3)

• p_value < 0.05: 집단 내 차이보다 집단 간 차이가 충분이 크다.(평균 값 차이 있다.)

5. Shapiro-Wilk 검정

: 데이터가 정규분포를 따른다는 가정하에, 이거 정규분포 맞아?에 대한 검정
: shapiro

# stats.shapiro(data)
statistics, p_value = stats.shapiro(data)

• p_value < 0.05: 정규분포를 따르지 않는다.

---

6. 회귀 - 상관계수

: 상관계수 행렬 구성 후, a와 b에 대한 상관계수 도출

corr_metrics = df.corr() # 상관계수 행렬
res = corr_metrics.loc['a', 'b']

7. 로지스틱 회귀

: 종속변수 ~ 독립변수, 범주형변수는 C()

from statsmodels.formula.api import logit
model = logit('종속변수 ~ C(범주형 변수) + 변수2 + 변수3', data = df).fit()
model.params['col']

# Odds Ratio: 오즈비를 묻는 경우,
import numpy as np
np.exp(model.params['col'])

---

8. 한 집단 내 변주형 변수가 특정 분포를 따르는 지 검정

카이제곱 검정: stats.chisquare(f_obs, f_exp)

from scipy import stats
# 기대 빈도(expected) 계산 필수
statistics, p_value = stats.chisquare(f_obs = data, f_exp = expected)

chisquare() 파라미터

• f_obs: 관측 빈도, 실제 숫자 데이터
• f_exp: 기대 빈도, 과거 비율 x 총 인원