Erste SchritteKostenlos loslegen

Anwendung der Bonferoni-Korrektur

Nachdem wir mit Tukey's HSD signifikante Unterschiede zwischen den Therapiegruppen festgestellt haben, wollen wir unsere Ergebnisse mit der Bonferroni-Korrektur bestätigen. Die Bonferroni-Korrektur ist eine konservative statistische Anpassung, um dem Problem der Mehrfachvergleiche entgegenzuwirken. Durch die Anpassung des Signifikanzniveaus wird die Wahrscheinlichkeit von falsch-positiven Ergebnissen verringert. Im Rahmen deiner Studie über die Wirksamkeit von CBT, DBT und ACT hilft dir die Bonferroni-Korrektur dabei, sicherzustellen, dass die signifikanten Unterschiede, die du zwischen den Therapiegruppen beobachtest, nicht auf den Zufall zurückzuführen sind.

Der DataFrame therapy_outcomes wurde wieder zusammen mit pandas as pd, from scipy.stats import ttest_ind und from statsmodels.sandbox.stats.multicomp import multipletests geladen.

Diese Übung ist Teil des Kurses

Versuchsplanung in Python

Kurs anzeigen

Anleitung zur Übung

  • 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 der Mehrfachtests anzupassen, und drucke sie aus.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

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])
Bearbeiten und Ausführen von Code