用python计算临界值（critical value）和p值（p value）（scipy）

z检验：

计算临界值：scipy.stats.norm.ppf(level_of_confidence)

计算p值：scipy.stats.norm.sf(abs(z_score)) 或 1-scipy.stats.norm.cdf(abs(z_score))---左尾或右尾，双尾检验需在此基础上乘以2

计算临界值例子：

from scipy.stats import norm
critical1=norm.ppf(0.95) #左尾或右尾
critical2=norm.ppf(0.975) #双尾

t检验：

计算临界值：scipy.stats.t.ppf(level_of_confidence, degree_of_freedom)

计算p值：scipy.stats.t.sf(abs(t_score),df) 或 1-scipy.stats.t.cdf(abs(t_score),df)---左尾或右尾，双尾检验需在此基础上乘以2

计算临界值例子：

from scipy.stats import t
critical1=t.ppf(0.95,10) #左尾或右尾
critical2=t.ppf(0.975,10) #双尾

卡方检验：

计算临界值：scipy.stats.chi2.ppf(level_of_confidence, degree_of_freedom)

计算p值：scipy.stats.chi2.sf(abs(chi2_score),df) 或 1-scipy.stats.chi2.cdf(abs(chi2_score),df)---左尾或右尾，双尾检验需在此基础上乘以2

计算临界值例子：

from scipy.stats import chi2
critical1=chi2.ppf(0.95,10) #左尾或右尾
critical2=chi2.ppf(0.975,10) #双尾

F检验：

计算临界值：scipy.stats.f.ppf(level_of_confidence, dfn, dfd)

计算p值：scipy.stats.f.sf(abs(chi2_score),dfn,dfd) 或 1-scipy.stats.chi2.cdf(abs(chi2_score),dfn,dfd)---左尾或右尾，双尾检验需在此基础上乘以2

计算临界值例子：

from scipy.stats import f
critical1=f.ppf(0.95,30,28) #左尾或右尾
critical2=f.ppf(0.975,30,28) #双尾

注：

cdf是概率的累积分布，即小于等于某个值出现的概率总和。

ppf是cdf的逆运算，也就是已知概率总和，求对应的统计量的值。

参考：https://machinelearningmastery.com/critical-values-for-statistical-hypothesis-testing/