Aan de slagBegin gratis

Bonferroni-correctie toepassen

Nadat we met Tukey's HSD significante verschillen tussen therapiegroepen hebben gevonden, willen we onze bevindingen bevestigen met de Bonferroni-correctie. De Bonferroni-correctie is een conservatieve statistische aanpassing om het probleem van multiple comparisons tegen te gaan. Het verkleint de kans op vals-positieve resultaten door het significantieniveau aan te passen. In de context van je onderzoek naar de effectiviteit van CBT, DBT en ACT helpt de Bonferroni-correctie om zeker te weten dat de significante verschillen die je tussen therapiegroepen ziet niet aan toeval te wijten zijn.

De DataFrame therapy_outcomes is opnieuw geladen, samen met pandas as pd, from scipy.stats import ttest_ind en from statsmodels.sandbox.stats.multicomp import multipletests.

Deze oefening maakt deel uit van de cursus

Experimenteel ontwerpen in Python

Bekijk cursus

Oefeninstructies

  • Voer onafhankelijke t-toetsen uit tussen alle paren therapiegroepen in therapy_pairs en voeg de p-waarden (p_val) toe aan de lijst p_values.
  • Pas de Bonferroni-correctie toe om de p-waarden van de multiple tests aan te passen en print ze.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

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])
Code bewerken en uitvoeren