独立性检验
本文给出基于两种统计量的假设检验,来检验变量间是否独立--χ2与秩和。χ2越小说明越独立。你可能会参考另一篇博客相关性检验。
假设检验
假设检验(Test of Hypothesis)又称为显著性检验(Test of Ststistical Significance)。
在抽样研究中,由于样本所来自的总体其参数是未知的,只能根据样本统计量对其所来自总体的参数进行估计,如果要比较两个或几个总体的参数是否相同,也只能分别从这些总体中抽取样本,根据这些样本的统计量作出统计推断,籍此比较总体参数是否相同。由于存在抽样误差,总体参数与样本统计量并不恰好相同,因此判断两个或多个总体参数是否相同是一件很困难的事情。
基本的解决方法是:根据问题的需要对所研究的总体作某种假设,记作H0;选取合适的统计量,这个统计量的选取要使得在假设H0成立时,其分布为已知;由实测的样本,计算出统计量的值,并根据预先给定的显著性水平进行检验,作出拒绝或接受假设H0的判断。常用的假设检验方法有u—检验法、t—检验法、χ2检验法、F—检验法,秩和检验等。
χ2独立性检
χ2检验是一种无参数的假设检验。
考虑这以一个问题:某地区有10000合法选民,现统计了男性和女性分别有多少人参加了投票。
Men Women
_____________________________ Voted 2792 3591 Didn't vote 1486 2131
问“性别”和“投票”是不是相互独立的?
下面就使用假设检验的方法解决这个问题。
我们假设H0:性别和投票相互独立。备选假设H1:性别与投票相关。
计算上表的行和与列和。
OBSERVED TABLE
Men Women Total
_____________________________ |______
Voted 2792 3591 | 6383
Didn't vote 1486 2131 | 3617
_____________________________________
Total 4278 5722 | 10000
原始表中的数据用Aij表示,行和用Ai·表示,列和用A·j表示,全部元素的和用A··表示。
投票的概率:
选民为男性的概率:
在H0下,我们认为投票与性别无关,所以男性参加投票的概率为:
这样可以算出男性投票的期望值:0.2731×10000=2731。于是就得到了下面这张“期望表”
EXPECTED TABLE
Men Women Total
_____________________________ |______
Voted 2731 3652 | 6383
Didn't vote 1547 2070 | 3617
_____________________________________
Total 4278 5722 | 10000
观察值与期望值的差值为误差。对于每一个观察值我们计算误差的平方与期望值的比值。
c11 = (2792-2731)^2/2731
c12 = (3591-3652)^2/3652
c21 = (1486-1547)^2/1547
c22 = (2131-2070)^2/2070
χ2=c11+c12+c21+c22=6.584283457
定义自由度为(rows-1)*(cols-1),在我们的例子中自由度为1。
查表:
Degrees of
freedom 99% ... 10% 5% 1%
_____________________________________________________
1 0.00016 2.71 3.84 6.64
2 0.020 4.60 5.99 9.21
由于χ2介于3.84和6.64之间,所以P值介于5%和1%之间,也就是说我们接收假设H0的把握还不到5%,因此拒绝它。
最后给出CHI-Square独立检测的公式:
自由度,r表示行数,c表示列数
期望值,nr是行和,nc是列和,n是所有元素的和
统计量,Or,c是观察值
由(3)式可以推出,对于一个2×2的contigency table,χ2统计量可以由(4)式来计算。
|
|
|
|
Category 1 |
|
|
|
Category 2 |
|
|
|
Total |
|
|
|
基于χ2的特征项选择
既然χ2统计量可以独立性检验,从独立性检验的对立面来考虑,χ2统计量也可以用来作相关性的度量。χ2越小说明变量之间越独立,χ2越大说明变量之间越相关。
文档类别Cj | Cj的补集 | |
词条w | a | b |
w的补集 | c | d |
a表示词条w在类别Cj中出现的频数;b表示词条w在Cj以外的其他类别中出现的频数;c表示除w以外的其他词条在Cj中出现的频数;d表示除w以外的其他词条在除Cj外的类别中出现的频数。
利用公式(4)计算每个词条对于每种分类的χ2统计量,记为χ2(w,Cj)。说明词条与分类正相关;说明词条与分类负相关。
则词条对整个语料库的记χ2值为
根据(5)式计算每个词条的平均χ2值,选最大的K个作为特征项。
秩和检验
秩和检验也是一种无参数的假设检验。它从两个未知分布的总体中独立、随机地抽取容量分别为n1、n2的样本,设n1<n2。然后把两个样本混合在一起进行排序,得到每个样本单位的秩次。当几个数据的大小相同秩次却不相同时,最终的秩次取其算术平均。
数据: | 5 | 6 | 6 | 7 | 7 | 8 | 8 | 9 | 10 | 10 | 11 |
秩号: | 1 | 2.5 | 2.5 | 4.5 | 4.5 | 6.5 | 6.5 | 8 | 9.5 | 9.5 | 11 |
红颜色的数据来自一个总体P1,黑颜色的来自另一个总体P2。n1=5,n2=6。
原假设:两个总体服从相同的分布。
备选假设:两个总体服从不同的分布。
总体P1(即数量少的那个总体)的秩和 T=2.5+4.5+6.5+6.5+9.5=29.5
本文来自博客园,作者:高性能golang,转载请注明原文链接:https://www.cnblogs.com/zhangchaoyang/articles/2642032.html