scipy.stats.contingency.

ассоциация#

scipy.stats.contingency.ассоциация(observed, метод='cramer', коррекция=False, lambda_=None)[источник]#

Вычисляет степень связи между двумя номинальными переменными.

Функция предоставляет возможность вычисления одного из трёх показателей связи между двумя номинальными переменными по данным, приведённым в двумерной таблице сопряжённости: T Чупрова, коэффициент сопряжённости Пирсона и V Крамера.

Параметры:
observedarray-like

Массив наблюдаемых значений

метод{“cramer”, “tschuprow”, “pearson”} (по умолчанию = “cramer”)

Статистика ассоциативного теста.

коррекцияbool, необязательно

Унаследовано от scipy.stats.contingency.chi2_contingency()

lambda_float или str, опционально

Унаследовано от scipy.stats.contingency.chi2_contingency()

Возвращает:
статистикаfloat

Значение статистики критерия

Примечания

Коэффициент Крамера V, коэффициент Чупрова T и коэффициент сопряжённости Пирсона — все они измеряют степень связи между двумя номинальными или порядковыми переменными или уровень их ассоциации. Это отличается от корреляции, хотя многие часто ошибочно считают их эквивалентными. Корреляция измеряет, каким образом две переменные связаны, тогда как ассоциация измеряет, насколько связаны переменные. Таким образом, ассоциация не включает независимые переменные и скорее является проверкой независимости. Значение 1.0 указывает на идеальную ассоциацию, а 0.0 означает отсутствие ассоциации между переменными.

Как коэффициент Крамера V, так и коэффициент Чупрова T являются расширениями коэффициента фи. Более того, из-за тесной связи между коэффициентом Крамера V и коэффициентом Чупрова T возвращаемые значения часто могут быть схожими или даже эквивалентными. Они, вероятно, будут расходиться больше по мере отклонения формы массива от 2x2.

Ссылки

[1]

“T-критерий Чупрова”, https://en.wikipedia.org/wiki/Tschuprow’s_T

[2]

Tschuprow, A. A. (1939) Principles of the Mathematical Theory of Correlation; translated by M. Kantorowitsch. W. Hodge & Co.

[4]

“Номинальная ассоциация: Фи и Крамера V”, http://www.people.vcu.edu/~pdattalo/702SuppRead/MeasAssoc/NominalAssoc.html

[5]

Гингрич, Пол, «Связь между переменными», http://uregina.ca/~gingrich/ch11a.pdf

Примеры

Пример с таблицей сопряженности 4x2:

>>> import numpy as np
>>> from scipy.stats.contingency import association
>>> obs4x2 = np.array([[100, 150], [203, 322], [420, 700], [320, 210]])

Коэффициент сопряженности Пирсона

>>> association(obs4x2, method="pearson")
0.18303298140595667

Коэффициент Крамера

>>> association(obs4x2, method="cramer")
0.18617813077483678

T Чупрова

>>> association(obs4x2, method="tschuprow")
0.14146478765062995
На этой странице