เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การใช้การแก้ไขแบบ Bonferroni

หลังจากระบุความแตกต่างที่มีนัยสำคัญระหว่างกลุ่มบำบัดด้วย Tukey's HSD แล้ว เราต้องการยืนยันผลลัพธ์ด้วยการแก้ไขแบบ Bonferroni การแก้ไขแบบ Bonferroni เป็นการปรับค่าทางสถิติแบบอนุรักษ์นิยมที่ใช้เพื่อแก้ปัญหาการเปรียบเทียบหลายครั้ง โดยช่วยลดโอกาสที่จะได้ผลบวกปลอม ด้วยการปรับระดับนัยสำคัญให้เหมาะสม ในบริบทของการศึกษาประสิทธิภาพของ CBT, DBT และ ACT การใช้การแก้ไขแบบ Bonferroni จะช่วยให้มั่นใจได้ว่าความแตกต่างที่มีนัยสำคัญที่พบระหว่างกลุ่มบำบัดนั้นไม่ได้เกิดขึ้นโดยบังเอิญ

โหลด DataFrame therapy_outcomes พร้อมกับ pandas as pd, from scipy.stats import ttest_ind และ from statsmodels.sandbox.stats.multicomp import multipletests ไว้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การออกแบบการทดลองด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ทำการทดสอบ t-test แบบอิสระระหว่างทุกคู่ของกลุ่มบำบัดใน therapy_pairs และเพิ่ม p-values (p_val) ลงในลิสต์ p_values
  • ใช้การแก้ไขแบบ Bonferroni เพื่อปรับ p-values จากการทดสอบหลายครั้ง แล้วแสดงผลลัพธ์

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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])
แก้ไขและรันโค้ด