Bonferroni düzeltmesini uygulama

Tukey'nin HSD testiyle terapi grupları arasındaki anlamlı farklılıkları belirledikten sonra, bulgularımızı Bonferroni düzeltmesiyle doğrulamak istiyoruz. Bonferroni düzeltmesi, çoklu karşılaştırmalar sorununu dengelemek için kullanılan, temkinli bir istatistiksel ayarlamadır. Anlamlılık düzeyini ayarlayarak yalancı-pozitif sonuçlar elde etme olasılığını azaltır. CBT, DBT ve ACT'nin etkililiğine yönelik çalışmanın bağlamında, Bonferroni düzeltmesini uygulamak, terapi grupları arasında gözlediğin anlamlı farklılıkların tesadüften kaynaklanmadığından emin olmana yardımcı olacaktır.

therapy_outcomes DataFrame'i yine yüklendi ve ayrıca pandas as pd, from scipy.stats import ttest_ind ve from statsmodels.sandbox.stats.multicomp import multipletests içe aktarıldı.

Bu egzersiz

Python ile Deney Tasarımı

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

therapy_pairs içindeki tüm terapi grubu çiftleri arasında bağımsız t-testleri yap ve p-değerlerini (p_val) p_values listesine ekle.
Çoklu testlerden gelen p-değerlerini ayarlamak için Bonferroni düzeltmesini uygula ve bunları yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

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])

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile Deney Tasarımı

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Building knowledge in experimental design allows you to test hypotheses with best-practice analytical tools and quantify the risk of your work. You’ll begin your journey by setting the foundations of what experimental design is and different experimental design setups such as blocking and stratification. You’ll then learn and apply visual and analytical tests for normality in experimental data.

Exercise 1: Setting up experiments Exercise 2: Non-random assignment of subjects Exercise 3: Random assignment of subjects Exercise 4: Experimental data setup Exercise 5: Blocking experimental data Exercise 6: Stratifying an experiment Exercise 7: Which was stratified?Exercise 8: Normal data Exercise 9: Visual normality in an agricultural experiment Exercise 10: Analytical normality in an agricultural experiment

You'll delve into sophisticated experimental design techniques, focusing on factorial designs, randomized block designs, and covariate adjustments. These methodologies are instrumental in enhancing the accuracy, efficiency, and interpretability of experimental results. Through a combination of theoretical insights and practical applications, you'll acquire the skills needed to design, implement, and analyze complex experiments in various fields of research.

Exercise 1: Factorial designs: principles and applications Exercise 2: Understanding marketing campaign effectiveness Exercise 3: Heatmap of campaign interactions Exercise 4: Factorial designs and randomized block designs Exercise 5: Randomized block design: controlling variance Exercise 6: Implementing a randomized block design Exercise 7: Visualizing productivity within blocks by incentive Exercise 8: ANOVA within blocks of employees Exercise 9: Covariate adjustment in experimental design Exercise 10: Importance of covariates Exercise 11: Covariate adjustment with chick growth

Master statistical tests like t-tests, ANOVA, and Chi-Square, and dive deep into post-hoc analyses and power analysis essentials. Learn to select the right test, interpret p-values and errors, and skillfully conduct power analysis to determine sample and effect sizes, all while leveraging Python's powerful libraries to bring your data insights to life.

Exercise 1: Doğru istatistiksel testi seçmek Exercise 2: Doğru testi seçme: petrokimyasallar Exercise 3: Doğru testi seçmek: insan kaynakları Exercise 4: Doğru testi seçme: finans Exercise 5: ANOVA sonrasında post-hoc analiz Exercise 6: Anksiyete tedavileri ANOVA Exercise 7: Tukey'nin HSD testini uygulama Exercise 8: Bonferroni düzeltmesini uygulama

Geçerli Egzersiz

Exercise 9: P-değerleri, alfa ve hatalar Exercise 10: Oyuncak dayanıklılığını analiz etme Exercise 11: Dayanıklılık farklarını görselleştirme Exercise 12: Anlamlılık düzeylerinin rolü Exercise 13: Güç analizi: örneklem ve etki büyüklüğü Exercise 14: Etki büyüklüğünün amacı Exercise 15: Enerji çalışması için gerekli örneklem büyüklüğünü tahmin etme

Hop into the complexities of experimental data analysis. Learn to synthesize insights using pandas, address data issues like heteroscedasticity with scipy.stats, and apply nonparametric tests like Mann-Whitney U. Learn additional techniques for transforming, visualizing, and interpreting complex data, enhancing your ability to conduct robust analyses in various experimental settings.

Exercise 1: Synthesizing insights from complex experiments Exercise 2: Visualizing loan approval yield Exercise 3: Exploring customer satisfaction Exercise 4: Effectively communicating experimental data Exercise 5: Addressing complexities in experimental data Exercise 6: Check for heteroscedasticity in shelf life Exercise 7: Exploring and transforming shelf life data Exercise 8: Applying nonparametric tests in experimental analysis Exercise 9: Visualizing and testing preservation methods Exercise 10: Further analyzing food preservation techniques Exercise 11: Congratulations!