CommencezCommencez gratuitement

Appliquer la correction de Bonferroni

Après avoir relevé des écarts significatifs entre les groupes de thérapie avec le test HSD de Tukey, nous souhaitons confirmer nos constatations au moyen de la correction de Bonferroni. La correction de Bonferroni est un ajustement statistique conservateur utilisé pour contrer le problème des comparaisons multiples. Elle réduit la probabilité d'obtenir de faux positifs en ajustant le seuil de signification. Dans le contexte de votre étude sur l'efficacité de la TCC, de la TCD et de l'ACT, appliquer la correction de Bonferroni vous aidera à vous assurer que les différences significatives observées entre les groupes de thérapie ne sont pas dues au hasard.

Le DataFrame therapy_outcomes a de nouveau été chargé, ainsi que pandas as pd, from scipy.stats import ttest_ind et from statsmodels.sandbox.stats.multicomp import multipletests.

Cette activité fait partie du cours

Conception d'expériences en Python

Voir le cours

Instructions de l’exercice

  • Effectuez des tests t pour échantillons indépendants entre toutes les paires de groupes de thérapie dans therapy_pairs et ajoutez les valeurs p (p_val) à la liste p_values.
  • Appliquez la correction de Bonferroni pour ajuster les valeurs p issues des tests multiples et affichez-les.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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])
Modifier et exécuter le code