CommencerCommencez gratuitement

Appliquer la correction de Bonferroni

Après avoir identifié des différences significatives entre les groupes de thérapie avec le test HSD de Tukey, nous souhaitons confirmer nos résultats avec 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 des faux positifs en ajustant le seuil de significativité. Dans le cadre de votre étude sur l’efficacité de la CBT, de la DBT 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.

Cet exercice fait partie du cours

<cours>Conception expérimentale en Python</cours>
Voir le cours

Instructions de l’exercice

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