R 등분산성( Homoscedasticity)

Bartlett 검정
Fligner 검정
Leven 검정

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.

$$T=\frac{(N-k)\ln(s^2_p)-\sum^k_{i=1}(N_i-1)\ln(s^2_i)}{1+\frac{1}{3(k-1)}\left(\left(\sum^k_{i=1}\frac{1}{N_i-1}\right) - \frac{1}{N-k}\right)}$$

s²_i: i 레벨(그룹)의 분산
N: 자료의 크기
k: 레벨(집단)dml tn
s²_p: 합동분산(pooled variance)

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 = … = σ_k
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
n_i: i번째 그룹에 속하는 샘플의 수
N: 총 샘플 수
Z_ij: i번째 그룹의 j번째 관측값 Y_ij과 Y_i의 L₁ norm입니다.

Z_ij는 다음 식과 같이 계산됩니다.

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

Y_i은 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

[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...

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...

sympy.solvers로 방정식해 구하기

sympy.solvers로 방정식해 구하기 대수 방정식을 해를 계산하기 위해 다음 함수를 사용합니다. sympy.solvers.solve(f, *symbols, **flags) f=0, 즉 동차방정식에 대해 지정한 변수의 해를 계산 f : 식 또는 함수 symbols: 식의 해를 계산하기 위한 변수, 변수가 하나인 경우는 생략가능(자동으로 인식) flags: 계산 또는 결과의 방식을 지정하기 위한 인수들 dict=True: {x:3, y:1}같이 사전형식, 기본값 = False set=True :{(x,3),(y,1)}같이 집합형식, 기본값 = False ratioal=True : 실수를 유리수로 반환, 기본값 = False positive=True: 해들 중에 양수만을 반환, 기본값 = False 예 $x^2=1$의 해를 결정합니다. solve() 함수에 적용하기 위해서는 다음과 같이 식의 한쪽이 0이 되는 형태인 동차식으로 구성되어야 합니다. $$x^2-1=0$$ import numpy as np from sympy import * x = symbols('x') solve(x**2-1, x) [-1, 1] 위 식은 계산 과정은 다음과 같습니다. $$\begin{aligned}x^2-1=0 \rightarrow (x+1)(x-1)=0 \\ x=1 \; \text{or}\; -1\end{aligned}$$ 예 $x^4=1$의 해를 결정합니다. solve() 함수의 인수 set=True를 지정하였으므로 결과는 집합(set)형으로 반환됩니다. eq=x**4-1 solve(eq, set=True) ([x], {(-1,), (-I,), (1,), (I,)}) 위의 경우 I는 복소수입니다.즉 위 결과의 과정은 다음과 같습니다. $$x^4-1=(x^2+1)(x+1)(x-1)=0 \rightarrow x=\pm \sqrt{-1}, \; \pm 1=\pm i,\; \pm1$$ 실수...

sons dataStory

이 블로그 검색

벡터와 행렬에 관련된 그림들