LoslegenKostenlos starten

Bonferroni-Korrektur anwenden

Nachdem wir mit Tukey's HSD signifikante Unterschiede zwischen den Therapiegruppen identifiziert haben, möchten wir unsere Ergebnisse mit der Bonferroni-Korrektur absichern. Die Bonferroni-Korrektur ist eine konservative statistische Anpassung, die das Problem multipler Vergleiche adressiert. Sie verringert die Wahrscheinlichkeit von falsch-positiven Ergebnissen, indem sie das Signifikanzniveau anpasst. Im Kontext deiner Studie zur Wirksamkeit von CBT, DBT und ACT hilft dir die Bonferroni-Korrektur sicherzustellen, dass die beobachteten signifikanten Unterschiede zwischen den Therapiegruppen nicht auf Zufall beruhen.

Das DataFrame therapy_outcomes wurde erneut geladen, ebenso pandas as pd, from scipy.stats import ttest_ind und from statsmodels.sandbox.stats.multicomp import multipletests.

Diese Übung ist Teil des Kurses

<Kurs>Versuchsplanung mit Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Führe unabhängige t-Tests zwischen allen Paaren von Therapiegruppen in therapy_pairs durch und hänge die p-Werte (p_val) an die Liste p_values an.
  • Wende die Bonferroni-Korrektur an, um die p-Werte aus den mehreren Tests anzupassen, und gib sie aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

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])
Code bearbeiten und ausführen