CommencerCommencer gratuitement

Application de la correction de Bonferoni

Après avoir identifié des différences significatives entre les groupes thérapeutiques à l'aide de la méthode de Tukey ( HSD), nous souhaitons confirmer nos résultats à l'aide de la correction de Bonferroni. La correction de Bonferroni est un ajustement statistique conservateur utilisé pour contrer le problème des comparaisons multiples. Il réduit le risque d'obtenir des résultats faussement positifs en ajustant le niveau de signification. Dans le cadre de votre étude sur l'efficacité de CBT, DBT, et ACT, l'application de la correction de Bonferroni vous permettra de vous assurer que les différences significatives que vous observez entre les groupes de thérapie ne sont pas dues au hasard.

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

Cet exercice fait partie du cours

Conception expérimentale en Python

Afficher le cours

Instructions

  • Effectuez des tests t indépendants entre toutes les paires de groupes thérapeutiques 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 des tests multiples et imprimez-les.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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