기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis]shapiro-Wilk test

shapiro-Wilk test

관련된 내용

표본 x1, x2, …, xn이 정규분포에 부합성 여부를 검정하기 위해 식 1과 같이 계산되는 shapiro-Wilk통계량인 W를 사용하여 귀무가설(H0: 정규분포를 따릅니다.) 검정을 실시합니다.

\begin{align}W&=\frac{\left(\sum^m_{i=1}a_ix_{(i)} \right)^2}{\sum^n_{i=1}(x_i-\bar{x})^2}\\x_{(i)}&=x_{n+1-i}-x_i\\ & n: \text{표본의 크기}\\ & m=\begin{cases}\frac{n}{2}&\text{for}\;n=\text{짝수}\\\frac{n-1}{2}&\text{for}\;n=\text{홀수} \end{cases}\end{align} (식 1)

식 1에서 ai는 두 값 차이에 대한 가중치입니다. 그 가중치들은 정렬된 자료의 평균, 표준편차 등 통계량을 기준으로 산출된 상수로서 shapiro-Wilk table에서 결정할 수 있습니다.

식 1의 x(i)를 나타내는 i는 [0, m] 사이의 정수값입니다. 즉 W값은 전체 퍼짐의 정도에서 각각의 작은값과 큰값의 차이의 비를 나타낸 값입니다. Shapiro-Wilk 검정의 W는 다음 과정으로 계산합니다.

  1. data 정렬
  2. SS 계산
    • $SS=\sum^n_{i=1}(x_i-\bar{x})^2$
  3. W의 분자인 b를 계산
    • $b=\sum^m_{i=1} a_i(x_{n+1-i}-x_i)$
  4. 검정 통계량(W)계산
    • $W=\frac{b^2}{SS}$
  5. shapiro-Wilk table를 기준으로 p-value를 산출
    • shapiro-Wilk table은 샘플수에 대한 가중치(ai)와 특정 유의확률에 대응하는 W값을 계산한 표입니다.

이 검정은 scipy라이브러리의 stats.shapiro() 함수를 사용하여 실시할 수 있습니다.

예 1)

다음 나이에 대한 자료가 정규분포에 부합 여부에 대해 shapiro-Wilk 검정을 적용합니다.

age 65 61 63 86 70 55 74 35 72 68 45 58

위 자료를 내림차순으로 정리합니다.

age=np.array([65,61,63,86,70,55,74,35,72,68,45,58])
ageSort=np.sort(age)
print(ageSort)
[35 45 55 58 61 63 65 68 70 72 74 86]

위 자료는 샘플수(n)이 12이므로 $m =\frac{12}{2} = 6$으로서 6개의 가중치가 존재합니다. 각 가중치를 shapiro-Wilk table에서 결정하고 통계량 W를 계산합니다.

n=len(age)
m=np.array([n/2 if n%2==0 else (n-1)/2], dtype=np.int16)
print(m)
[6]
ss=np.sum((ageSort-np.mean(ageSort))**2)
print("ss: %.3f" %ss)
ss: 2008.667

다음 코드의 객체 a는 shapiro-Wilk table로부터 결정되는 값들입니다.

a=np.array([0.5475,0.3325,0.2347,0.1586,0.0922,0.0303])
age1=[ageSort[n-(i+1)]-ageSort[i] for i in range(m[0])];age1
[51, 29, 17, 12, 7, 2]
b=np.sum(a*age1); b
44.1641
w=b**2/ss; w
0.9710260847046132

위 결과의 통계량에 대한 유의확률은 shapiro-Wilk table로부터의 값으로 외삽법을 사용하여 계산할 수 있습니다. 이 부분은 생략하며 stats.shapiro() 함수를 사용하여 유의확률을 확인합니다.

re=stats.shapiro(age)
print("통계량(w): %.3f, p-value: %.3f" %(re[0], re[1]))
통계량(w): 0.971, p-value: 0.922

유의수준 0.05 또는 0.1보다 크므로 위 자료 age는 정규분포를 따른다는 귀무가설을 기각할 수 없습니다. 이 결과에 대한 Q-Q plot은 그림 1과 같습니다.

그림 1. 자료 age에 대한 Q-Q plot.
plt.figure(figsize=(4,2))
stats.probplot(age, plot=plt, rvalue=True)
plt.show()

예 2)

다음은 일정한 기간의 kospi 지수와 kosdaq 지수의 일일 종가 자료입니다.

kospi kosdaq
0 2669.8 878.9
1 2607.3 871.6
2 2587.0 866.2
3 2578.1 878.3
4 2567.8 879.3
⋮ ⋮ ⋮

각 자료의 정규성을 파악하기 위해 shapiro-Wilk 검정을 실시해 봅니다.

위 자료를 생성하기 위한 코드입니다. 자료간의 스케일의 차이를 보정하기 위해 각 자료를 표준화하였습니다.

st=pd.Timestamp(2024,1,1)
et=pd.Timestamp(2024, 5, 30)
kos=fdr.DataReader("KS11",st, et)["Close"]
kq=fdr.DataReader("KQ11", st, et)["Close"]
kos1=(kos-kos.mean())/kos.std()
kq1=(kq-kq.mean())/kq.std()

위 코드로부터 작성된 자료 kos1과 ex1에 대한 Shapiro-Wilk 분석을 실행합니다.

kos_sh=stats.shapiro(kos1)
print("통계량: %.3f, p-value: %.3f" %(kos_sh[0], kos_sh[1]))
통계량: 0.921, p-value: 0.000
kq_sh=stats.shapiro(kq1)
print("통계량: %.3f, p-value: %.3f" %(kq_sh[0], kq_sh[1]))
통계량: 0.984, p-value: 0.250

유의수준 0.05를 기준으로 kospi는 매우 낮은 p-value를 보이므로 정규성을 따른다는 귀무가설을 기각할 수 있습니다. 반면에 kosdaq의 경우는 귀무가설을 기각할 수 없습니다.이 두 결과는 그림 2와 같이 시각화 할 수 있습니다.

그림 2. kospi와 kosdaq의 Q-Q plot.
plt.figure(figsize=(8, 3))
ax1 = plt.subplot(121)
res = stats.probplot(kos1, plot=plt, rvalue=True)
ax1.set_title("Q-Q plot: KOSPI")
ax2 = plt.subplot(122)
res = stats.probplot(kq1, plot=plt, rvalue=True)
ax2.set_title("Q-Q plot: kq")
ax2.set_ylabel("")
plt.show()

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 ...