Zacznij terazZacznij za darmo

Stosowanie poprawki Bonferroniego

Po zidentyfikowaniu istotnych różnic między grupami terapeutycznymi za pomocą testu Tukey'a HSD, potwierdzimy wyniki, stosując poprawkę Bonferroniego. Jest to konserwatywna korekta statystyczna, która pozwala ograniczyć problem wielokrotnych porównań. Zmniejsza ryzyko uzyskania fałszywie pozytywnych wyników poprzez dostosowanie poziomu istotności. W kontekście badania skuteczności terapii CBT, DBT i ACT zastosowanie poprawki Bonferroniego pomoże upewnić się, że zaobserwowane różnice między grupami nie są dziełem przypadku.

Ramka danych therapy_outcomes została ponownie wczytana wraz z pandas as pd, from scipy.stats import ttest_ind oraz from statsmodels.sandbox.stats.multicomp import multipletests.

To ćwiczenie jest częścią kursu

Projektowanie eksperymentów w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Przeprowadź niezależne testy t dla wszystkich par grup terapeutycznych w therapy_pairs i dołącz p-wartości (p_val) do listy p_values.
  • Zastosuj poprawkę Bonferroniego, aby skorygować p-wartości z wielu testów, a następnie wydrukuj je.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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])
Edytuj i uruchom kod