EmpezarEmpieza gratis

Aplicar la corrección de Bonferroni

Después de identificar diferencias significativas entre los grupos de terapia con el HSD de Tukey, queremos confirmar los hallazgos usando la corrección de Bonferroni. La corrección de Bonferroni es un ajuste estadístico conservador que se utiliza para contrarrestar el problema de las comparaciones múltiples. Reduce la probabilidad de obtener falsos positivos ajustando el nivel de significación. En el contexto de tu estudio sobre la eficacia de CBT, DBT y ACT, aplicar la corrección de Bonferroni ayudará a garantizar que las diferencias significativas que observes entre los grupos de terapia no se deban al azar.

El DataFrame therapy_outcomes se ha cargado de nuevo junto con pandas as pd, from scipy.stats import ttest_ind y from statsmodels.sandbox.stats.multicomp import multipletests.

Este ejercicio forma parte del curso

Diseño experimental en Python

Ver curso

Instrucciones del ejercicio

  • Realiza t-tests independientes entre todos los pares de grupos de terapia en therapy_pairs y añade los p-values (p_val) a la lista p_values.
  • Aplica la corrección de Bonferroni para ajustar los p-values de las múltiples pruebas e imprímelos.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

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])
Editar y ejecutar código