Wie führt man Dunns Test in Python durch?

Der Dunn-Test ist eine statistische Technik zum Vergleich der Mittelwerte mehrerer Stichproben, um festzustellen, welche sich deutlich voneinander unterscheiden. Der Dunn-Test wird häufig in verschiedenen Disziplinen eingesetzt. einschließlich Biologie, Psychologie und Pädagogik. Wir werden Dunns Test zusammen mit einer Python-Implementierung eingehend untersuchen.

Was ist Dunns Test?

Der Dunn-Test ist eine statistische Analysemethode, mit der die Mittelwerte mehrerer Stichproben verglichen werden. Dabei handelt es sich um eine Mehrfachvergleichstestmethode, mit der die Mittelwerte von mehr als zwei Stichproben verglichen werden, um festzustellen, welche Stichproben sich signifikant voneinander unterscheiden.

Wenn die Normalitätsannahme verletzt wird, wird manchmal der nichtparametrische Kruskal-Wallis-Test von Dunn verwendet, um die Mittelwerte mehrerer Stichproben zu vergleichen. Wenn es signifikante Unterschiede zwischen den Stichprobenmittelwerten gab, wurde der Kruskal-Wallis-Test verwendet, um diese Unterschiede zu ermitteln. Führen Sie paarweise Vergleiche der Stichprobenmittelwerte durch, um festzustellen, welche Stichproben sich signifikant voneinander unterscheiden. Verwenden Sie dann den Dunn-Test, um die Stichprobenmittelwerte zu vergleichen.

Dunns Test in Python

Um Dunns Test in Python auszuführen, können wir die Methode posthoc dunn() der Bibliothek scikit-posthocs verwenden.

Der folgende Code zeigt, wie diese Funktion verwendet wird -

Grammatik

sp.posthoc_dunn(data, p_adjust = 'bonferroni')

Bartletts Teststatistik und der p-Wert werden zurückgegeben, nachdem diese Funktion ein Datenarray empfängt

Parameter

• p_adjust ist eine p-Wert-Anpassungsmethode

Um Tests in Python zu demonstrieren, stellen Sie sich das folgende Szenario vor: Ein Forscher möchte herausfinden, ob drei verschiedene Düngemittel ein unterschiedliches Pflanzenwachstum verursachen. Sie wählten zufällig 30 verschiedene Pflanzen aus und teilten sie in drei Gruppen zu je zehn Pflanzen ein, die jeweils einen anderen Dünger verwendeten. Am Ende eines Monats maßen sie die Höhe jeder Pflanze.

Algorithmus

• Scikit-Posthocs-Bibliothek installieren

• Geben Sie die Wachstumsdaten von 10 Pflanzen pro Gruppe an

• Führen Sie alle 3 Kombinationen zu einem Daten zusammen

• Dunn-Test für p-Werte mit Bonferonni-Korrektur

Beispiel

Das Ausführen von Dunns Test mit der Scikit-Posthocs-Bibliothek wird hier demonstriert.

!pip install scikit-posthocs

#specify the growth of the 10 plants in each group
group1 = [9, 10, 16, 9, 10, 5, 7, 13, 10, 9]
group2 = [16, 19, 15, 17, 19, 11, 6, 17, 11, 9]
group3 = [7, 9, 5, 8, 8, 14, 11, 9, 14, 8]
data = [group1, group2, group3]

#perform Dunn's test using a Bonferonni correction for the p-values
import scikit_posthocs as sp
sp.posthoc_dunn(data, p_adjust = 'bonferroni')

Ausgabe

The adjusted p-value for the distinction between groups 1 and 2 is 0.115458.
The adjusted p-value for the distinction between groups 1 and 3 is 1.000000.
The adjusted p-value for the distinction between groups 2 and 3 is 0.27465.

Fazit

Der Dunn-Test wird häufig in vielen Bereichen eingesetzt, darunter in der Biologie, Psychologie und im Bildungswesen, wo die Mittelwerte mehrerer Stichproben verglichen werden müssen, um herauszufinden, ob es signifikante Unterschiede zwischen den Stichproben gibt. Dies ist besonders vorteilhaft, wenn die Normalitätsannahme verletzt wird, da es sich um einen nichtparametrischen Test handelt, der nicht auf dieser Annahme beruht.

Der Dunn-Test kann im Bildungsbereich verwendet werden, um die Mittelwerte vieler Stichprobendaten aus verschiedenen Schulen oder Klassen zu vergleichen, um festzustellen, ob es signifikante Unterschiede in den Mittelwerten von Schulen oder Klassenräumen gibt. Sie können damit beispielsweise durchschnittliche Testergebnisse in verschiedenen Schulen oder durchschnittliche Ergebnisse in verschiedenen Klassenräumen vergleichen.

Das obige ist der detaillierte Inhalt vonWie führt man Dunns Test in Python durch?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!