ПочатиПочніть безкоштовно

Застосування поправки Бонферроні

Після того як ви виявили суттєві відмінності між терапевтичними групами за допомогою HSD Тьюкі, ми хочемо підтвердити результати за допомогою поправки Бонферроні. Поправка Бонферроні — це консервативне статистичне коригування, яке протидіє проблемі множинних порівнянь. Вона зменшує ймовірність хибнопозитивних результатів, коригуючи рівень значущості. У контексті вашого дослідження ефективності CBT, DBT та ACT застосування поправки Бонферроні допоможе переконатися, що суттєві відмінності між терапевтичними групами не є випадковістю.

Датасет therapy_outcomes знову завантажено разом із pandas as pd, from scipy.stats import ttest_ind та from statsmodels.sandbox.stats.multicomp import multipletests.

Ця вправа є частиною курсу

Експериментальний дизайн у Python

Переглянути курс

Інструкції до вправи

  • Проведіть незалежні t-тести для всіх пар терапевтичних груп у therapy_pairs і додайте p-значення (p_val) до списку p_values.
  • Застосуйте поправку Бонферроні, щоб скоригувати p-значення з множинних тестів, і виведіть їх.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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])
Редагувати та запускати код