शुरू करेंमुफ़्त में शुरू करें

Bonferroni correction लागू करना

Tukey's HSD से थेरेपी समूहों के बीच महत्वपूर्ण अंतर पहचानने के बाद, हम Bonferroni correction से अपने निष्कर्षों की पुष्टि करना चाहते हैं. Bonferroni correction एक conservative सांख्यिकीय adjustment है, जो multiple comparisons की समस्या को संतुलित करने के लिए उपयोग होता है. यह significance level को समायोजित करके false-positive परिणामों की संभावना को घटाता है. CBT, DBT, और ACT की प्रभावशीलता पर आपके अध्ययन के संदर्भ में, Bonferroni correction लागू करने से यह सुनिश्चित करने में मदद मिलेगी कि थेरेपी समूहों के बीच जो महत्वपूर्ण अंतर आप देख रहे हैं, वे संयोगवश नहीं हैं.

therapy_outcomes DataFrame फिर से लोड किया गया है, साथ ही pandas as pd, from scipy.stats import ttest_ind, और from statsmodels.sandbox.stats.multicomp import multipletests भी लोड हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Experimental Design

पाठ्यक्रम देखें

अभ्यास निर्देश

  • therapy_pairs में थेरेपी समूहों की सभी जोड़ों के बीच independent t-tests करें और p-values (p_val) को p_values लिस्ट में जोड़ें.
  • multiple tests से प्राप्त p-values को समायोजित करने के लिए Bonferroni correction लागू करें और उन्हें प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

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])
कोड संपादित करें और चलाएँ