기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

R 등분산성( Homoscedasticity)

등분산성( Homoscedasticity)

Bartlett 검정

Bartlett 검정은 집단간 분산에 대해 등분산성을 검정합니다. 이 검정은 두 집단 이상의 자료형식에서도 적용할 수 있으므로 t-검정 또는 일원분산분석에 적용할 자료의 등분산성 가정을 위한 검정에 사용합니다. 이 검정은 정규성에 부합하는 자료에만 적용될 수 있습니다.

검정 통계량은 다음과 같습니다.

$$T=\frac{(N-k)\ln(s^2_p)-\sum^k_{i=1}(N_i-1)\ln(s^2_i)}{1+\frac{1}{3(k-1)}\left(\left(\sum^k_{i=1}\frac{1}{N_i-1}\right) - \frac{1}{N-k}\right)}$$
  • s2i: i 레벨(그룹)의 분산
  • N: 자료의 크기
  • k: 레벨(집단)dml tn
  • s2p: 합동분산(pooled variance)
  • $$s^2_p=\sum^k_{i=1}\frac{N_i-1}{N-k}s^2_i$$

검정의 가설은 다음과 같습니다.

귀무가설(H0): 집단간 분산이 같다.
대립가설(Ha): 최소한 두 집단간의 분산이 다르다.

multcomp 패키지의 데이터 셋 choloesterol을 대상으로 이 검정을 실시 합니다. 이 데이터는 다음과 같이 요인변수인 trt와 연속형 변수인 response로 구성됩니다. 요인은 5개의 수준(그룹)을 포함합니다. 그러므로 각 그룹 대응한 response 값들에 대한 등분산성을 평가합니다.

library(tidyverse)
library(rstatix)
library(multcomp)
chol %>% sample_n_by(trt, size=1)
# A tibble: 5 × 2
  trt    response
       
1 1time      2.71
2 2times     8.60
3 4times    12.4
4 drugD     17.6
5 drugE     21.5
bartlett.test(response~trt, data=cholesterol)
        Bartlett test of homogeneity of variances

data:  response by trt
Bartlett's K-squared = 0.6, df = 4, p-value = 1

위 결과는 5개 그룹의 분산이 같다는 귀무가설을 기각할 수 없습니다.

Fligner 검정

데이터의 정규성을 파악할 수 없는 경우 비모수 방법인 Fligner 검정으로 등분산성을 검정할 수 있습니다. Fligner-Killeen 중앙값 검정은 정규성에서 벗어나는 것에 대해 강력한 분산의 동질성에 대한 검정입니다(Conover et al.(1981), [CON1]). 중심 표본의 절대값 순위와 가중치를 사용하는 k-표본 단순 선형 순위 방법입니다.

$$a_i=\text{qnorm}\left(\frac{1}{2}+\frac{i}{2(n+1)}\right)$$

qnorm()은 정규분포에서 인수에 대응하는 quantiles을 반환하는 R 함수입니다. R 에서 fligner.test() 함수를 적용합니다.

fligner.test(response~trt, data=cholesterol)
        Fligner-Killeen test of homogeneity of variances

data:  response by trt
Fligner-Killeen:med chi-squared = 0.74277, df = 4, p-value = 0.946  

위 결과 역시 bartlett 검정과 같습니다. 높은 p-value로서 등분산성의 귀무가설을 기각할 수 없습니다.

Leven 검정

Level 검정은 Bartlett 검정의 대안으로 자료의 정규성이 불확실한 경우 레벨 k의 등분산성을 검정합니다. 그러나 정규성이 확실한 경우 Bartlett 검정이 우선됩니다.

  • H0: σ1 = σ2 = … = σk
  • H1: L 그룹의 모집단 최소한 한 그룹의 분산이 다름

검정통계량은 다음과 같습니다.

$$\begin{align}&W=\frac{N-k}{k-1}\frac{\sum^k_{i=1}n_i(Z_{i.}-Z_{..})^2}{\sum^k_{i=1}\sum^{n_i}_{j=1}(Z_{ij}-Z_{i.})^2}\\ &Z_i=\frac{1}{n_i}\sum^{n_i}_{j=1}Z_{ij}\\ &Z_{..}=\frac{1}{N}\sum^k_{i=1}\sum^{n_i}_{j=1}Z_{ij}\end{align}$$
  • k: 그룹의 수
  • ni: i번째 그룹에 속하는 샘플의 수
  • N: 총 샘플 수
  • Zij: i번째 그룹의 j번째 관측값 Yij과 Yi의 L1 norm입니다.

Zij는 다음 식과 같이 계산됩니다.

$$\begin{equation}Z_{ij}=\Vert Y_{ij}-\bar{Y}_i \Vert \end{equation}$$

Yi은 i번째 그룹의 중간값(median), 또는 평균(mean), 또는 절삭평균(trimmed mean)입니다.

Levene은 원래 평균을 사용할 것을 제안했지만 1974년 Brown과 Forsythe의 논문은 Levene의 검정을 중앙값 또는 절삭 평균을 사용하도록 확장했습니다. 중위수는 일반적으로 비정규 데이터에 대해 더 강력하므로 권장되지만 표본의 기본 분포가 알려진 경우 절삭평균이 더 나은 성능을 제공할 수 있습니다.

W 테스트 통계는 k−1 및 n−k 자유도로 대략 F-분포에 부합합니다.

car패키지의 leveneTest()함수를 적용합니다.

leveneTest(y, group, [data], center=median, trim,...)
y: 반응변수
group: 설명변수, 반응변수~설명변수와 같은 formular로 대체 가능
formula 사용시 data를 지정합니다.
center: 대표값(중앙값, 평균, 절삭평균), 기본은 중앙값
trim: 절삭평균을 사용할 경우 절삭할 기준을 지정
library(car)
leveneTest(response~trt, data=cholesterol)
Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  4  0.0755 0.9893
      45

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...