So führen sie dunns test in python durch

Mithilfe eines Kruskal-Wallis-Tests wird ermittelt, ob ein statistisch signifikanter Unterschied zwischen den Medianwerten von drei oder mehr unabhängigen Gruppen besteht. Sie gilt als nichtparametrisches Äquivalent der einfaktoriellen ANOVA .

Wenn die Ergebnisse eines Kruskal-Wallis-Tests statistisch signifikant sind, ist es angebracht, den Dunn-Test durchzuführen , um genau zu bestimmen, welche Gruppen unterschiedlich sind.

In diesem Tutorial wird erläutert, wie Sie den Dunn-Test in Python durchführen.

Beispiel: der Dunn-Test in Python

Forscher wollen wissen, ob drei verschiedene Düngemittel zu unterschiedlichem Pflanzenwachstum führen. Sie wählen nach dem Zufallsprinzip 30 verschiedene Pflanzen aus und teilen sie in drei Gruppen zu je zehn Pflanzen auf, wobei sie jeder Gruppe einen anderen Dünger hinzufügen. Nach einem Monat messen sie die Höhe jeder Pflanze.

Nach der Durchführung eines Kruskal-Wallis-Tests stellten sie fest, dass der Gesamt-p-Wert statistisch signifikant ist, was bedeutet, dass das mittlere Wachstum in allen drei Gruppen nicht gleich ist. Anschließend führen sie den Dunn-Test durch, um genau zu bestimmen, welche Gruppen unterschiedlich sind.

Um den Dunn-Test in Python durchzuführen, können wir die Funktion posthoc_dunn() aus der Bibliothek scikit-posthocs verwenden.

Der folgende Code zeigt, wie diese Funktion verwendet wird:

Schritt 1: Scikit-Posthocs installieren.

Zuerst müssen wir die scikit-posthocs-Bibliothek installieren:

 pip install scikit-posthocs

Schritt 2: Führen Sie den Dunn-Test durch.

Dann können wir die Daten erstellen und den Dunn-Test durchführen:

 #specify the growth of the 10 plants in each group
group1 = [7, 14, 14, 13, 12, 9, 6, 14, 12, 8]
group2 = [15, 17, 13, 15, 15, 13, 9, 12, 10, 8]
group3 = [6, 8, 8, 9, 5, 14, 13, 8, 10, 9]
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 ')

               1 2 3
1 1.000000 0.550846 0.718451
2 0.550846 1.000000 0.036633
3 0.718451 0.036633 1.000000

Beachten Sie, dass wir uns für die Verwendung einer Bonferroni-Korrektur für die p-Werte entschieden haben, um die familienbezogene Fehlerrate zu steuern. Zu den anderen möglichen Optionen für das p_adjust- Argument gehören jedoch:

• Sidak
• Holm-Sidak
• Simes Hochberg
• manl
• fdr_bh
• fdr_by
• fdr_tsbh

Weitere Einzelheiten zu jeder dieser p-Wert-Anpassungsmethoden finden Sie in der Dokumentation .

Schritt 3: Interpretieren Sie die Ergebnisse.

Aus den Ergebnissen des Dunn-Tests können wir Folgendes beobachten:

• Der angepasste p-Wert für die Differenz zwischen Gruppe 1 und Gruppe 2 beträgt 0,550846 .
• Der angepasste p-Wert für die Differenz zwischen Gruppe 1 und Gruppe 3 beträgt 0,718451 .
• Der angepasste p-Wert für die Differenz zwischen Gruppe 2 und Gruppe 3 beträgt 0,036633 .

Somit sind die einzigen beiden Gruppen, die sich bei α = 0,05 statistisch signifikant unterscheiden, die Gruppen 2 und 3.

Zusätzliche Ressourcen

Eine Einführung in den Dunn-Test für Mehrfachvergleiche
So führen Sie den Dunn-Test in R durch