Začněte nyníZačněte zdarma

Aplikace Bonferroniho korekce

Po identifikaci významných rozdílů mezi terapeutickými skupinami pomocí Tukeyova HSD testu chceme naše výsledky potvrdit Bonferroniho korekcí. Bonferroniho korekce je konzervativní statistická úprava, která pomáhá řešit problém mnohonásobného porovnávání. Snižuje riziko falešně pozitivních výsledků tím, že upravuje hladinu významnosti. V kontextu studie zaměřené na účinnost terapií CBT, DBT a ACT ti aplikace Bonferroniho korekce pomůže ověřit, že pozorované rozdíly mezi terapeutickými skupinami nejsou jen náhodné.

DataFrame therapy_outcomes je opět načtený spolu s pandas as pd, from scipy.stats import ttest_ind a from statsmodels.sandbox.stats.multicomp import multipletests.

Toto cvičení je součástí kurzu

Experimentální design v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Proveď nezávislé t-testy mezi všemi dvojicemi terapeutických skupin v therapy_pairs a přidej p-hodnoty (p_val) do seznamu p_values.
  • Aplikuj Bonferroniho korekci pro úpravu p-hodnot z vícenásobných testů a vypiš je.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

p_values = []

therapy_pairs = [('CBT', 'DBT'), ('CBT', 'ACT'), ('DBT', 'ACT')]

# Conduct t-tests and collect P-values
for pair in ____:
    group1 = therapy_outcomes[therapy_outcomes['Therapy_Type'] == ____]['Anxiety_Reduction']
    group2 = therapy_outcomes[therapy_outcomes['Therapy_Type'] == ____]['Anxiety_Reduction']
    t_stat, p_val = ____(group1, group2)
    p_values.____(p_val)

# Apply Bonferroni correction
print(____(____, alpha=0.05, method='____')[1])
Upravit a spustit kód