<\/p>\n
Eine dreifache ANOVA<\/strong> wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht, die auf drei Faktoren verteilt wurden.<\/span><\/p>\n Das folgende Beispiel zeigt, wie eine Drei-Wege-ANOVA in Python durchgef\u00fchrt wird.<\/span><\/p>\n Angenommen, ein Forscher m\u00f6chte herausfinden, ob zwei Trainingsprogramme bei College-Basketballspielern zu unterschiedlichen durchschnittlichen Verbesserungen der Sprungh\u00f6he f\u00fchren.<\/span><\/p>\n Der Forscher vermutet, dass auch Geschlecht und Division (Division I oder II) einen Einfluss auf die Sprungh\u00f6he haben k\u00f6nnten, weshalb er auch Daten zu diesen Faktoren erhebt.<\/span><\/p>\n Sein Ziel ist es, eine Drei-Wege-ANOVA durchzuf\u00fchren, um zu bestimmen, wie sich Trainingsprogramm, Geschlecht und Division auf die Sprungh\u00f6he auswirken.<\/span><\/p>\n F\u00fchren Sie die folgenden Schritte aus, um diese dreifaktorielle ANOVA in Python durchzuf\u00fchren:<\/span><\/p>\n Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/p>\n Erstellen wir zun\u00e4chst einen Pandas-DataFrame zur Aufnahme der Daten:<\/span><\/p>\n Schritt 2: F\u00fchren Sie die Drei-Wege-ANOVA durch<\/strong><\/span><\/p>\n Als n\u00e4chstes k\u00f6nnen wir die Funktion anova_lm()<\/strong> aus der statsmodels-<\/strong> Bibliothek verwenden, um die Drei-Wege-ANOVA durchzuf\u00fchren:<\/span><\/p>\n Schritt 3: Interpretieren Sie die Ergebnisse<\/strong><\/span><\/p>\n Die Spalte Pr(>F)<\/strong> zeigt den p-Wert f\u00fcr jeden einzelnen Faktor und die Wechselwirkungen zwischen den Faktoren an.<\/span><\/p>\n Anhand der Ergebnisse k\u00f6nnen wir erkennen, dass keine der Wechselwirkungen zwischen den drei Faktoren statistisch signifikant war.<\/span><\/p>\n Wir k\u00f6nnen auch sehen, dass jeder der drei Faktoren (Programm, Geschlecht und Abteilung) mit den folgenden p-Werten statistisch signifikant war:<\/span><\/p>\n Zusammenfassend w\u00fcrden wir sagen, dass Trainingsprogramm, Geschlecht und Spielklasse allesamt wichtige Indikatoren f\u00fcr eine erh\u00f6hte Sprungh\u00f6he bei Spielern sind.<\/span><\/p>\n Wir w\u00fcrden auch sagen, dass es keine signifikanten Wechselwirkungen zwischen diesen drei Faktoren gibt.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie man andere ANOVA-Modelle in Python anpasst:<\/span><\/p>\n So f\u00fchren Sie eine einfaktorielle ANOVA in Python durch<\/a> Eine dreifache ANOVA wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht, die auf drei Faktoren verteilt wurden. Das folgende Beispiel zeigt, wie eine Drei-Wege-ANOVA in Python durchgef\u00fchrt wird. Beispiel: Dreifaktorielle ANOVA in Python Angenommen, ein Forscher m\u00f6chte herausfinden, ob zwei Trainingsprogramme bei College-Basketballspielern […]<\/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 Beispiel: Dreifaktorielle ANOVA in Python<\/strong><\/span><\/h2>\n
import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' program<\/span> ': np.repeat<\/span> ([1,2],20),\n ' gender<\/span> ': np. tile<\/span> (np. repeat<\/span> (['M', 'F'], 10), 2),\n ' division<\/span> ': np. tile<\/span> (np. repeat<\/span> ([1, 2], 5), 4),\n ' height<\/span> ': [7, 7, 8, 8, 7, 6, 6, 5, 6, 5,\n 5, 5, 4, 5, 4, 3, 3, 4, 3, 3,\n 6, 6, 5, 4, 5, 4, 5, 4, 4, 3,\n 2, 2, 1, 4, 4, 2, 1, 1, 2, 1]})\n\n#view first ten rows of DataFrame \n<\/span>df[:10]\n\n\tprogram gender division height\n0 1 M 1 7\n1 1 M 1 7\n2 1 M 1 8\n3 1 M 1 8\n4 1 M 1 7\n5 1 M 2 6\n6 1 M 2 6\n7 1 M 2 5\n8 1 M 2 6\n9 1 M 2 5\n<\/strong><\/span><\/pre>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\nfrom<\/span> statsmodels. formula<\/span> . api<\/span> import<\/span> ols\n\n#perform three-way ANOVA\n<\/span>model = ols(\"\"\"height ~ C(program) + C(gender) + C(division) +\n C(program):C(gender) + C(program):C(division) + C(gender):C(division) +\n C(program):C(gender):C(division)\"\"\", data=df) .fit<\/span> ()\n\nsm. stats<\/span> . anova_lm<\/span> (model, typ= 2<\/span> )\n\n\t sum_sq df F PR(>F)\nC(program) 3.610000e+01 1.0 6.563636e+01 2.983934e-09\nC(gender) 6.760000e+01 1.0 1.229091e+02 1.714432e-12\nC(division) 1.960000e+01 1.0 3.563636e+01 1.185218e-06\nC(program):C(gender) 2.621672e-30 1.0 4.766677e-30 1.000000e+00\nC(program):C(division) 4.000000e-01 1.0 7.272727e-01 4.001069e-01\nC(gender):C(division) 1.000000e-01 1.0 1.818182e-01 6.726702e-01\nC(program):C(gender):C(division) 1.000000e-01 1.0 1.818182e-01 6.726702e-01\nResidual 1.760000e+01 32.0 NaN NaN<\/strong><\/span><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\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":"