目录Python全系列 教程
3567个小节阅读：5930.8k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
McNemar's检验（配对卡方检验）用于分析两个相关率的变化是否有统计学意义
案例：
用A、B两种方法检查已确诊的某种疾病患者140名，A法检出91名(65%)，B法检出77名(55%)，A、B两法一致的检出56名(40%)，问哪种方法阳性检出率更高？
分析思路：
一般在 b + c < 40 时，需用确切概率法进行检验，或者进行校正
代码实现
statsmodels.stats.contingency_tables中常用的配对卡方的分析使用：
tbl.SquareTable 用于分析行列变量类别相同的对称结构方表（近似结果）
tbl.mcnemar 用于分析配对四格表（确切概率结果）
xxxxxxxxxximport numpy as npimport statsmodels.stats.contingency_tables as tbl# 必须为方阵结构数据table = tbl.SquareTable(np.array([[56, 35], [21, 28]])) print(table.summary()) # 打印汇总信息print(table.symmetry()) # 只打印symmetryxxxxxxxxxximport statsmodels.stats.contingency_tables as tbltable = tbl.mcnemar(pd.DataFrame([[56, 35], [21, 28]]))print(table.pvalue) # 确切概率结果1. 关于配对卡方检验，下列说法正确的是:
A 配对卡方检验用于分析两个相关率的变化是否有统计学意义
B 配对卡方检验的零假设是观察频数与期望频数无差别
C 对同一个体，只有一次测量
D 主对角线上的单元格携带检验方法的差异信息
2.statsmodels中的实现配对卡方检验的类是：
A resid_pearson
B Table
C SquareTable
D chi2_contribs
1=>A 2=>C