НачатьНачать бесплатно

Применение поправки Бонферрони

После того как с помощью критерия Тьюки HSD были выявлены значимые различия между группами терапии, мы хотим подтвердить полученные результаты с помощью поправки Бонферрони. Поправка Бонферрони — это консервативная статистическая корректировка, которая позволяет справиться с проблемой множественных сравнений. Она снижает вероятность ложноположительных результатов, корректируя уровень значимости. В контексте исследования эффективности КПТ, ДПТ и АКТ применение поправки Бонферрони поможет убедиться, что наблюдаемые различия между группами терапии не случайны.

Датафрейм therapy_outcomes снова загружен вместе с pandas as pd, from scipy.stats import ttest_ind и from statsmodels.sandbox.stats.multicomp import multipletests.

Это упражнение является частью курса

Планирование экспериментов в Python

Посмотреть курс

Инструкции к упражнению

  • Проведите независимые t-тесты для всех пар терапевтических групп из therapy_pairs и добавьте p-значения (p_val) в список p_values.
  • Примените поправку Бонферрони для корректировки p-значений, полученных в ходе множественных тестов, и выведите их на экран.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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])
Редактировать и запускать код