<\/p>\n
Die Welch-ANOVA<\/strong> ist eine Alternative zur typischen einfaktoriellen ANOVA<\/a> , wenn die Annahme der Varianzgleichheit<\/a> nicht erf\u00fcllt ist.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie die ANOVA von Welch in Python durchgef\u00fchrt wird.<\/span><\/p>\n Um festzustellen, ob drei verschiedene Lerntechniken zu unterschiedlichen Pr\u00fcfungsergebnissen f\u00fchren, weist ein Professor nach dem Zufallsprinzip 10 Studenten zu, jede Technik (Technik A, B oder C) eine Woche lang anzuwenden, und gibt dann jedem Studenten einen Test mit dem gleichen Schwierigkeitsgrad.<\/span><\/p>\n Nachfolgend werden die Pr\u00fcfungsergebnisse der 30 Studierenden vorgestellt:<\/span><\/p>\n Als N\u00e4chstes k\u00f6nnen wir den Bartlett-Test<\/a> durchf\u00fchren, um festzustellen, ob die Varianzen zwischen den einzelnen Gruppen gleich sind.<\/span><\/p>\n Wenn der p-Wert<\/a> der Teststatistik unter einem bestimmten Signifikanzniveau liegt (z. B. \u03b1 = 0,05), k\u00f6nnen wir die Nullhypothese ablehnen und daraus schlie\u00dfen, dass nicht alle Gruppen die gleiche Varianz aufweisen.<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um den Bartlett-Test in Python durchzuf\u00fchren:<\/span><\/span><\/p>\n Der p-Wert ( .01089<\/strong> ) des Bartlett-Tests ist kleiner als \u03b1 = .05, was bedeutet, dass wir die Nullhypothese ablehnen k\u00f6nnen, dass jede Gruppe die gleiche Varianz aufweist.<\/span><\/p>\n Somit wird die Annahme der Varianzgleichheit verletzt und wir k\u00f6nnen mit der ANOVA von Welch fortfahren.<\/span><\/p>\n Um Welchs ANOVA in Python durchzuf\u00fchren, k\u00f6nnen wir die Funktion welch_anova()<\/strong> aus dem Penguin-Paket verwenden.<\/span><\/p>\n Zuerst m\u00fcssen wir Penguin installieren:<\/span><\/p>\n Dann k\u00f6nnen wir den folgenden Code verwenden, um die ANOVA von Welch durchzuf\u00fchren:<\/span><\/p>\n Der Gesamt-p-Wert ( 0,001598<\/strong> ) der ANOVA-Tabelle ist kleiner als \u03b1 = 0,05, was bedeutet, dass wir die Nullhypothese zur\u00fcckweisen k\u00f6nnen, dass die Pr\u00fcfungsergebnisse bei den drei Untersuchungstechniken gleich sind.<\/span><\/p>\n Anschlie\u00dfend k\u00f6nnen wir den Games-Howell-Post-hoc-Test durchf\u00fchren, um genau zu bestimmen, welche Gruppenmittelwerte unterschiedlich sind:<\/span><\/p>\n Anhand der p-Werte k\u00f6nnen wir erkennen, dass die mittlere Differenz zwischen den Gruppen a<\/strong> und b<\/strong> deutlich unterschiedlich ist und die mittlere Differenz zwischen den Gruppen b<\/strong> und c<\/strong> deutlich unterschiedlich ist.<\/span><\/p>\n So f\u00fchren Sie eine einfaktorielle ANOVA in Python durch<\/a> Die Welch-ANOVA ist eine Alternative zur typischen einfaktoriellen ANOVA , wenn die Annahme der Varianzgleichheit nicht erf\u00fcllt ist. Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie die ANOVA von Welch in Python durchgef\u00fchrt wird. Schritt 1: Erstellen Sie die Daten Um festzustellen, ob drei verschiedene Lerntechniken zu unterschiedlichen Pr\u00fcfungsergebnissen f\u00fchren, weist ein Professor nach dem Zufallsprinzip 10 Studenten […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h3>\n
A = [64, 66, 68, 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<\/strong><\/pre>\n
Schritt 2: Test auf gleiche Unterschiede<\/strong><\/span><\/h3>\n
import<\/span> scipy. stats<\/span> as<\/span> stats\n\n#perform Bartlett's test \n<\/span>stats. bartlett<\/span> (A, B, C)\n\nBartlettResult(statistic=9.039674395, pvalue=0.010890796567)\n<\/strong><\/span><\/pre>\n Schritt 3: F\u00fchren Sie die ANOVA nach Welch durch<\/strong><\/span><\/h3>\n
pip install<\/span> Penguin<\/span>\n<\/strong><\/pre>\n import penguin<\/span> as pg<\/span>\nimport<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' score<\/span> ': [64, 66, 68, 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<\/span> ': np. repeat<\/span> (['a', 'b', 'c'], repeats<\/span> = 10<\/span> )}) \n\n#perform Welch's ANOVA\n<\/span>pg. welch_anova<\/span> (dv=' score<\/span> ', between=' group<\/span> ', data=df)\n\n Source ddof1 ddof2 F p-unc np2\n0 group 2 16.651295 9.717185 0.001598 0.399286\n<\/strong><\/pre>\n pg. pairwise_gameshowell<\/span> (dv=' score<\/span> ', between=' group<\/span> ', data=df)\n\n\n A B mean(A) mean(B) diff se T df pval\t\n0 a b 77.3 91.8 -14.5 3.843754 -3.772354 11.6767 0.0072\n1 a c 77.3 84.7 -7.4 3.952777 -1.872102 12.7528 0.1864\n2 b c 91.8 84.7 7.1 2.179959 3.256942 17.4419 0.0119\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine zweifaktorielle ANOVA in Python durch<\/a>
So f\u00fchren Sie eine ANOVA mit wiederholten Messungen in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"