{"id":1299,"date":"2023-07-26T23:09:57","date_gmt":"2023-07-26T23:09:57","guid":{"rendered":"https:\/\/statorials.org\/de\/tukey-test-python\/"},"modified":"2023-07-26T23:09:57","modified_gmt":"2023-07-26T23:09:57","slug":"tukey-test-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/tukey-test-python\/","title":{"rendered":"So f\u00fchren sie den tukey-test in python durch"},"content":{"rendered":"

<\/p>\n

\n

Eine einfaktorielle ANOVA<\/a> wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht.<\/span><\/p>\n

Wenn der Gesamt -p-Wert<\/a> der ANOVA-Tabelle unter einem bestimmten Signifikanzniveau liegt, verf\u00fcgen wir \u00fcber ausreichende Beweise daf\u00fcr, dass sich mindestens einer der Gruppenmittelwerte von den anderen unterscheidet.<\/span><\/p>\n

Dies sagt uns jedoch nicht, welche<\/em> Gruppen sich voneinander unterscheiden. Dies zeigt uns einfach, dass nicht alle Gruppendurchschnitte gleich sind. Um genau zu wissen, welche Gruppen sich voneinander unterscheiden, m\u00fcssen wir einenPost-hoc-Test<\/a> durchf\u00fchren.<\/span><\/p>\n

Einer der am h\u00e4ufigsten verwendeten Post-hoc-Tests ist der Tukey-Test<\/strong> , der es uns erm\u00f6glicht, paarweise Vergleiche zwischen den Mittelwerten jeder Gruppe durchzuf\u00fchren und gleichzeitig die Familienfehlerrate<\/a> zu kontrollieren.<\/span><\/p>\n

Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung des Tukey-Tests in Python.<\/span><\/p>\n

Schritt 1: Laden Sie die erforderlichen Pakete und Funktionen<\/strong><\/span><\/h3>\n

Zuerst laden wir die notwendigen Pakete und Funktionen in Python:<\/span><\/p>\n

 import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\nfrom<\/span> scipy. stats<\/span> import<\/span> f_oneway\nfrom<\/span> statsmodels. stats<\/span> . multicomp<\/span> import<\/span> pairwise_tukeyhsd<\/strong><\/span><\/pre>\n
 Schritt 2: Passen Sie das ANOVA-Modell an<\/strong><\/span><\/h3>\n
 Der folgende Code zeigt, wie man einen gef\u00e4lschten Datensatz mit drei Gruppen (A, B und C) erstellt und ein einfaktorielles ANOVA-Modell an die Daten anpasst, um zu bestimmen, ob die Mittelwerte jeder Gruppe gleich sind:<\/span><\/p>\n
 #enter data for three groups\n<\/span>a = [85, 86, 88, 75, 78, 94, 98, 79, 71, 80]\nb = [91, 92, 93, 90, 97, 94, 82, 88, 95, 96]\nc = [79, 78, 88, 94, 92, 85, 83, 85, 82, 81]\n\n#perform one-way ANOVA\n<\/span>f_oneway(a, b, c)\n\nF_onewayResult(statistic=5.167774552944481, pvalue=0.012582197136592609)<\/strong><\/pre>\n
 Wir k\u00f6nnen sehen, dass der Gesamt-p-Wert aus der ANOVA-Tabelle 0,01258<\/strong> betr\u00e4gt.<\/span><\/p>\n
 Da diese Zahl weniger als 0,05 betr\u00e4gt, haben wir gen\u00fcgend Beweise daf\u00fcr, dass die Durchschnittswerte in jeder Gruppe nicht gleich sind.<\/span><\/p>\n
 Wir k\u00f6nnen also den Tukey-Test durchf\u00fchren, um genau zu bestimmen, welche Gruppenmittelwerte unterschiedlich sind.<\/span><\/p>\n
 Schritt 3: F\u00fchren Sie den Tukey-Test durch<\/strong><\/span><\/h3>\n
 Um den Tukey-Test in Python durchzuf\u00fchren, k\u00f6nnen wir die Funktion pairwise_tukeyhsd()<\/strong> aus der statsmodels-<\/strong> Bibliothek verwenden:<\/span><\/p>\n
 #create DataFrame to hold data\n<\/span>df = pd. DataFrame<\/span> ({'score': [85, 86, 88, 75, 78, 94, 98, 79, 71, 80,\n                             91, 92, 93, 90, 97, 94, 82, 88, 95, 96,\n                             79, 78, 88, 94, 92, 85, 83, 85, 82, 81],\n                   'group': np. repeat<\/span> (['a', 'b', 'c'], repeats= 10<\/span> )}) \n\n# perform Tukey's test\n<\/span>tukey = pairwise_tukeyhsd(endog=df['score'],\n                          groups=df['group'],\n                          alpha= 0.05<\/span> )\n\n#display results\n<\/span>print<\/span> (tukey)\n\n Multiple Comparison of Means - Tukey HSD, FWER=0.05 \n==================================================== ===\ngroup1 group2 meandiff p-adj lower upper reject\n-------------------------------------------------- ---\n     ab 8.4 0.0158 1.4272 15.3728 True\n     ac 1.3 0.8864 -5.6728 8.2728 False\n     bc -7.1 0.0453 -14.0728 -0.1272 True\n-------------------------------------------------- ---<\/strong><\/pre>\n
 So interpretieren Sie das Ergebnis:<\/span><\/span><\/p>\n