Python中的卡方检验
我想在Python中进行卡方检验。我已经写了代码来实现这个，但我不确定我这样做是否正确，因为scipy的文档信息不太多。
先说一下背景：我有两组用户。我的零假设是这两组人使用桌面、手机或平板的可能性没有显著差异。
这两组中的观察到的频率如下：
[[u'desktop', 14452], [u'mobile', 4073], [u'tablet', 4287]]
[[u'desktop', 30864], [u'mobile', 11439], [u'tablet', 9887]]
这是我使用scipy.stats.chi2_contingency的代码：
obs = np.array([[14452, 4073, 4287], [30864, 11439, 9887]])
chi2, p, dof, expected = stats.chi2_contingency(obs)
print p
运行后我得到了一个p值为2.02258737401e-38，这个值显然是显著的。
我的问题是：这段代码看起来有效吗？特别是，我不确定我应该使用scipy.stats.chi2_contingency还是scipy.stats.chisquare，这取决于我手头的数据。
2 个回答
6
我对这个函数的使用不能多说。不过，眼前的问题可能和统计有关。你看到的那个很小的p值，很可能是因为你的数据中有很多重复的值（大约有一万次）。当样本量太大时，任何差异都会变得显著，所以才会出现小的p值。你使用的这些测试对样本量非常敏感。想了解更多，可以查看这里。
5
你在正确使用 chi2_contingency 这个函数。如果你对卡方检验的正确用法或者如何理解它的结果感到不确定（也就是说，你的问题是关于统计测试，而不是编程），可以考虑去“CrossValidated”网站提问： https://stats.stackexchange.com/