Python တွင် jarque-bera စမ်းသပ်မှုပြုလုပ်နည်း

Jarque-Bera စမ်းသပ်မှု သည် နမူနာဒေတာသည် ပုံမှန်ဖြန့်ဝေမှုတစ်ခုနှင့် သက်ဆိုင်သည့် skewness နှင့် kurtosis ကိုပြသခြင်းရှိ၊ မရှိ ဆုံးဖြတ်ပေးသည့် ကောင်းမွန်သောစစ်ဆေးမှုတစ်ခုဖြစ်သည်။

Jarque-Bera စမ်းသပ်မှု ကိန်းဂဏန်းသည် အမြဲတမ်း အပြုသဘောဆောင်သည့် နံပါတ်ဖြစ်ပြီး သုညနှင့် ဝေးလေလေ၊ နမူနာဒေတာသည် ပုံမှန်ဖြန့်ဝေမှုနောက်သို့ မလိုက်ကြောင်း အထောက်အထား ပိုများလေဖြစ်သည်။

Python တွင် Jarque-Bera စမ်းသပ်နည်းကို ဤသင်ခန်းစာတွင် ရှင်းပြထားသည်။

Python တွင် Jarque-Bera စမ်းသပ်မှုပြုလုပ်နည်း

Python တွင် Jarque-Bera စမ်းသပ်မှုကို လုပ်ဆောင်ရန် အောက်ပါ syntax ကိုအသုံးပြုသည့် Scipy စာကြည့်တိုက်မှ jarque_bera လုပ်ဆောင်ချက်ကို သင်အသုံးပြုနိုင်သည်-

jarque_bera(x)

ရွှေ-

• x: လေ့လာသုံးသပ်ချက်ဇယား

ဤလုပ်ဆောင်ချက်သည် စမ်းသပ်မှုစာရင်းအင်းနှင့် သက်ဆိုင်ရာ p-တန်ဖိုးကို ပြန်ပေးသည်။

ဥပမာ ၁

သာမာန်ဖြန့်ဖြူးမှုကို လိုက်နာသော တန်ဖိုး 5,000 စာရင်းတွင် Jarque-Bera စမ်းသပ်မှုကို လုပ်ဆောင်သည်ဆိုပါစို့။

 import numpy as np
import scipy.stats as stats

#generate array of 5000 values that follows a standard normal distribution
np.random.seed(0)
data = np.random.normal(0, 1, 5000)

#perform Jarque-Bera test
stats.jarque_bera(data)

(statistic=1.2287, pvalue=0.54098)

စမ်းသပ်မှုစာရင်းအင်းသည် 1.2287 ဖြစ်ပြီး သက်ဆိုင်ရာ p-value သည် 0.54098 ဖြစ်သည်။ ဤ p-value သည် 0.05 ထက်မနည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။ ဤဒေတာများသည် သာမန်ဖြန့်ဖြူးမှုတစ်ခုနှင့် သိသိသာသာကွာခြားသည့် kurtosis နှင့် kurtosis တို့ကို သက်သေပြရန် လုံလောက်သောအထောက်အထားမရှိပါ။

ကျွန်ုပ်တို့ထုတ်လုပ်လိုက်သောဒေတာသည် ပုံမှန်ဖြန့်ဝေမှုနောက်ဆက်တွဲဖြစ်သော ကျပန်းကိန်းရှင် 5,000 ဖြင့်ဖွဲ့စည်းထားသောကြောင့် ဤရလဒ်သည် အံ့သြစရာမဖြစ်သင့်ပါ။

ဥပမာ ၂

ယခု ကျွန်ုပ်တို့သည် တစ်ပြေးညီ ဖြန့်ဖြူးမှုနှင့်အညီ တန်ဖိုး 5,000 စာရင်းတွင် Jarque-Bera စမ်းသပ်မှုကို လုပ်ဆောင်နေသည်ဆိုပါစို့။

 import numpy as np
import scipy.stats as stats

#generate array of 5000 values that follows a uniform distribution
np.random.seed(0)
data = np.random.uniform(0, 1, 5000)

#perform Jarque-Bera test
stats.jarque_bera(data)

(statistic=300.1043, pvalue=0.0)

စမ်းသပ်မှုစာရင်းအင်းသည် 300.1043 ဖြစ်ပြီး သက်ဆိုင်ရာ p-value သည် 0.0 ဖြစ်သည်။ ဤ p-value သည် 0.05 ထက်နည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ပါသည်။ ထို့ကြောင့်၊ ဤဒေတာများသည် သာမန်ဖြန့်ဝေမှုထက် သိသိသာသာကွဲပြားသော လွဲချော်မှုနှင့် kurtosis ကိုပြသကြောင်း စောဒကတက်ရန် လုံလောက်သောအထောက်အထားရှိသည်။

ကျွန်ုပ်တို့ထုတ်ပေးသောဒေတာသည် တူညီသောဖြန့်ဝေမှုနောက်ဆက်တွဲဖြစ်သော ကျပန်းကိန်းရှင် 5,000 ဖြင့်ဖွဲ့စည်းထားသောကြောင့်၊ ဤရလဒ်သည် အံ့သြစရာမဟုတ်သင့်ပါ။ ၎င်းသည် သာမန်ဖြန့်ဝေမှုတစ်ခုနှင့် အလွန်ကွာခြားမှုရှိသင့်သည်။

Jarque-Bera စမ်းသပ်မှုကို ဘယ်အချိန်မှာ အသုံးပြုရမလဲ

Jarque-Bera စမ်းသပ်မှုကို ပုံမှန်အားဖြင့် ကြီးမားသောဒေတာအတွဲများ (n > 2,000) အတွက် အခြားပုံမှန်စစ်ဆေးမှုများ (Shapiro-Wilk စမ်းသပ်မှုကဲ့သို့) ယုံကြည်စိတ်ချရခြင်းမရှိသော ကြီးမားသောဒေတာအတွဲများအတွက် အသုံးပြုပါသည်။

ဒေတာအတွဲသည် ပုံမှန်ဖြန့်ဝေမှုနောက်ဆက်တွဲဖြစ်သည်ဟု ယူဆရသည့် ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုမလုပ်ဆောင်မီ အသုံးပြုရန် သင့်လျော်သောစမ်းသပ်မှုတစ်ခုဖြစ်သည်။ Jarque-Bera စမ်းသပ်မှုတစ်ခုသည် ဤယူဆချက်အား ကျေနပ်မှု ရှိ၊ မရှိ သင့်အား ပြောပြနိုင်သည်။