我搜索了很多,但没有解释 SciPy 如何计算相关系数的 p 值,以及为什么它对于小于 500 的数据集不可靠(由函数页面上的 SciPy 启动)。
请您参考如下方法:
scipy.stats.pearsonr使用 t distribution 计算 p 值. (您可以检查 the source code in the file stats.py on github 。)这绝对应该在文档字符串中提及。
这是一个例子。首先导入pearsonr和scipy对t分布的实现:
In [334]: from scipy.stats import pearsonr, t as tdist
为此示例定义 x 和 y:
In [335]: x = np.array([0, 1, 2, 3, 5, 8, 13])
In [336]: y = np.array([1.2, 1.4, 1.6, 1.7, 2.0, 4.1, 6.6])
计算此数据的 r 和 p:
In [337]: r, p = pearsonr(x, y)
In [338]: r
Out[338]: 0.9739566302403544
In [339]: p
Out[339]: 0.0002073053505382502
现在再次计算 p,首先计算 t 统计量,然后找到该 t 值的两倍生存函数:
In [340]: df = len(x) - 2
In [341]: t = r * np.sqrt(df/(1 - r**2))
In [342]: 2*tdist.sf(t, df) # This is the p value.
Out[342]: 0.0002073053505382502
我们得到了与预期相同的 p 值。
我不知道“p 值并不完全可靠,但对于大于 500 左右的数据集可能是合理的”这一说法的出处。如果有人知道可引用的引用文献,则应将其添加到 pearsonr 文档字符串中。
