ComeçarComece gratuitamente

Aplicação da correção de Bonferoni

Depois de identificar diferenças significativas entre os grupos de terapia com o teste de Tukey HSD, queremos confirmar nossas descobertas com a correção de Bonferroni. A correção de Bonferroni é um ajuste estatístico conservador usado para neutralizar o problema de comparações múltiplas. Ele reduz a chance de obter resultados falso-positivos ajustando o nível de significância. No contexto do seu estudo sobre a eficácia de CBT, DBT e ACT, a aplicação da correção de Bonferroni ajudará a garantir que as diferenças significativas que você observar entre os grupos de terapia não sejam devidas ao acaso.

O DataFrame therapy_outcomes foi novamente carregado junto com pandas as pd, from scipy.stats import ttest_ind e from statsmodels.sandbox.stats.multicomp import multipletests.

Este exercício faz parte do curso

Projeto experimental em Python

Ver Curso

Instruções de exercício

  • Realize testes t independentes entre todos os pares de grupos de terapia em therapy_pairs e anexe os valores de p (p_val) à lista p_values.
  • Aplique a correção de Bonferroni para ajustar os valores de p dos testes múltiplos e imprima-os.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

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])
Editar e executar código