ComenzarEmpieza gratis

Aplicación de la corrección de Bonferoni

Después de identificar diferencias significativas entre los grupos de terapia con la prueba de Tukey HSD, queremos confirmar nuestros hallazgos con 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 posibilidad de obtener resultados 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 te ayudará a garantizar que las diferencias significativas que observes entre los grupos de terapia no se deben 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 de ejercicio

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

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

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