Kom igångKom igång gratis

Tillämpa Bonferroni-korrigering

Efter att ha identifierat signifikanta skillnader mellan terapigrupper med Tukeys HSD vill vi bekräfta resultaten med Bonferroni-korrigering. Bonferroni-korrigering är en konservativ statistisk justering som används för att motverka problemet med multipla jämförelser. Den minskar risken för falska positiva resultat genom att justera signifikansnivån. I din studie om effektiviteten hos KBT, DBT och ACT hjälper Bonferroni-korrigering till att säkerställa att de signifikanta skillnader du observerar mellan terapigrupperna inte beror på slumpen.

DataFrame:en therapy_outcomes har laddats igen tillsammans med pandas as pd, from scipy.stats import ttest_ind och from statsmodels.sandbox.stats.multicomp import multipletests.

Den här övningen är en del av kursen

Experimentell design i Python

Visa kurs

Övningsinstruktioner

  • Utför oberoende t-test mellan alla par av terapigrupper i therapy_pairs och lägg till p-värdena (p_val) i listan p_values.
  • Tillämpa Bonferroni-korrigering för att justera p-värdena från de multipla testerna och skriv ut dem.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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])
Redigera och kör kod