{"id":1049,"date":"2023-07-27T20:28:44","date_gmt":"2023-07-27T20:28:44","guid":{"rendered":"https:\/\/statorials.org\/de\/dunns-python-test\/"},"modified":"2023-07-27T20:28:44","modified_gmt":"2023-07-27T20:28:44","slug":"dunns-python-test","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/dunns-python-test\/","title":{"rendered":"So f\u00fchren sie dunns test in python durch"},"content":{"rendered":"

<\/p>\n

\n

Mithilfe eines<\/span> Kruskal-Wallis-Tests<\/a> wird ermittelt, ob ein statistisch signifikanter Unterschied zwischen den Medianwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht. Sie gilt als nichtparametrisches \u00c4quivalent der<\/span> einfaktoriellen ANOVA<\/a> .<\/p>\n

Wenn die Ergebnisse eines Kruskal-Wallis-Tests statistisch signifikant sind, ist es angebracht,<\/span> den Dunn-Test<\/a> durchzuf\u00fchren , um genau zu bestimmen, welche Gruppen unterschiedlich sind.<\/span><\/p>\n

In diesem Tutorial wird erl\u00e4utert, wie Sie den Dunn-Test in Python durchf\u00fchren.<\/span><\/p>\n

Beispiel: der Dunn-Test in Python<\/strong><\/span><\/h3>\n

Forscher wollen wissen, ob drei verschiedene D\u00fcngemittel zu unterschiedlichem Pflanzenwachstum f\u00fchren. Sie w\u00e4hlen nach dem Zufallsprinzip 30 verschiedene Pflanzen aus und teilen sie in drei Gruppen zu je zehn Pflanzen auf, wobei sie jeder Gruppe einen anderen D\u00fcnger hinzuf\u00fcgen. Nach einem Monat messen sie die H\u00f6he jeder Pflanze.<\/span><\/p>\n

Nach der Durchf\u00fchrung 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. Anschlie\u00dfend f\u00fchren sie den Dunn-Test durch, um genau zu bestimmen, welche Gruppen unterschiedlich sind.<\/span><\/p>\n

Um den Dunn-Test in Python durchzuf\u00fchren, k\u00f6nnen wir die Funktion posthoc_dunn()<\/a> aus der Bibliothek scikit-posthocs verwenden.<\/span><\/p>\n

Der folgende Code zeigt, wie diese Funktion verwendet wird:<\/span><\/p>\n

Schritt 1: Scikit-Posthocs installieren.<\/strong><\/span><\/p>\n

Zuerst m\u00fcssen wir die scikit-posthocs-Bibliothek installieren:<\/span><\/p>\n

 pip install<\/span> scikit-posthocs\n<\/strong><\/pre>\n
 Schritt 2: F\u00fchren Sie den Dunn-Test durch.<\/strong><\/span><\/p>\n
 Dann k\u00f6nnen wir die Daten erstellen und den Dunn-Test durchf\u00fchren:<\/span><\/p>\n
 #specify the growth of the 10 plants in each group<\/span>\ngroup1 = [7, 14, 14, 13, 12, 9, 6, 14, 12, 8]\ngroup2 = [15, 17, 13, 15, 15, 13, 9, 12, 10, 8]\ngroup3 = [6, 8, 8, 9, 5, 14, 13, 8, 10, 9]\ndata = [group1, group2, group3]\n\n#perform Dunn's test using a Bonferonni correction for the p-values\nimport<\/span> scikit_posthocs as<\/span> sp<\/span>\nsp. posthoc_dunn<\/span> (data, p_adjust = ' bonferroni<\/span> ')\n\n               1 2 3\n1 1.000000 0.550846 0.718451\n2 0.550846 1.000000 0.036633\n3 0.718451 0.036633 1.000000<\/span><\/span>\n<\/strong><\/pre>\n
 Beachten Sie, dass wir uns f\u00fcr die Verwendung einer Bonferroni-Korrektur f\u00fcr die p-Werte entschieden haben, um die familienbezogene Fehlerrate<\/a> zu steuern. Zu den anderen m\u00f6glichen Optionen f\u00fcr das p_adjust-<\/strong> Argument geh\u00f6ren jedoch:<\/span><\/p>\n