<\/p>\n
Eine zweifaktorielle ANOVA<\/a> wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht, die auf zwei Faktoren aufgeteilt wurden.<\/span><\/p>\n Der Zweck einer zweifaktoriellen ANOVA besteht darin, den Einfluss zweier Faktoren auf eine Antwortvariable zu bestimmen und festzustellen, ob eine Wechselwirkung zwischen den beiden Faktoren auf die Antwortvariable besteht oder nicht.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie Sie eine zweifaktorielle ANOVA in Python durchf\u00fchren.<\/span><\/p>\n Ein Botaniker m\u00f6chte wissen, ob das Pflanzenwachstum durch die Sonneneinstrahlung und die H\u00e4ufigkeit des Gie\u00dfens beeinflusst wird. Sie pflanzt 30 Samen und l\u00e4sst sie zwei Monate lang unter unterschiedlichen Bedingungen der Sonneneinstrahlung und Bew\u00e4sserungsh\u00e4ufigkeit wachsen. Nach zwei Monaten zeichnet sie die H\u00f6he jeder Pflanze in Zoll auf.<\/span><\/p>\n Verwenden Sie die folgenden Schritte, um eine zweifaktorielle ANOVA durchzuf\u00fchren, um zu bestimmen, ob Bew\u00e4sserungsh\u00e4ufigkeit und Sonneneinstrahlung einen signifikanten Einfluss auf das Pflanzenwachstum haben, und um festzustellen, ob es einen Wechselwirkungseffekt zwischen Wasserh\u00e4ufigkeit und Sonneneinstrahlung gibt. Bew\u00e4sserung und Sonneneinstrahlung.<\/span><\/p>\n Schritt 1: Geben Sie die Daten ein.<\/strong><\/span><\/p>\n Zuerst erstellen wir einen Pandas-DataFrame, der die folgenden drei Variablen enth\u00e4lt:<\/span><\/p>\n Schritt 2: F\u00fchren Sie die zweifaktorielle ANOVA durch.<\/strong><\/span><\/p>\n Als n\u00e4chstes f\u00fchren wir die zweifaktorielle ANOVA mit der Funktion anova_lm()<\/a> aus der statsmodels-Bibliothek durch:<\/span><\/p>\n Schritt 3: Interpretieren Sie die Ergebnisse.<\/strong><\/span><\/p>\n Wir k\u00f6nnen die folgenden p-Werte f\u00fcr jeden der Faktoren in der Tabelle sehen:<\/span><\/p>\n Da die p-Werte f\u00fcr Wasser und Sonne jeweils unter 0,05 liegen, bedeutet dies, dass beide Faktoren einen statistisch signifikanten Einfluss auf die Pflanzenh\u00f6he haben.<\/span><\/p>\n Und da der p-Wert f\u00fcr den Wechselwirkungseffekt (0,120667) nicht weniger als 0,05 betr\u00e4gt, bedeutet dies, dass es keinen signifikanten Wechselwirkungseffekt zwischen Sonneneinstrahlung und Bew\u00e4sserungsh\u00e4ufigkeit gibt.<\/span><\/p>\n Hinweis:<\/strong> Obwohl uns die ANOVA-Ergebnisse zeigen, dass Bew\u00e4sserungsh\u00e4ufigkeit und Sonneneinstrahlung einen statistisch signifikanten Einfluss auf die Pflanzenh\u00f6he haben, m\u00fcssen wir Post-hoc-Tests<\/a> durchf\u00fchren, um genau zu bestimmen, wie sich unterschiedliche Wasser- und Sonnenlichtmengen auf die Pflanzenh\u00f6he auswirken.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in Python ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfaktorielle ANOVA in Python durch<\/a> Eine zweifaktorielle ANOVA wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht, die auf zwei Faktoren aufgeteilt wurden. Der Zweck einer zweifaktoriellen ANOVA besteht darin, den Einfluss zweier Faktoren auf eine Antwortvariable zu bestimmen und festzustellen, ob eine Wechselwirkung zwischen den beiden Faktoren auf […]<\/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: Zweifaktorielle ANOVA in Python<\/strong><\/span><\/h2>\n
\n
import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#create data<\/span>\ndf = pd.DataFrame({'water': np.repeat(['daily', 'weekly'], 15),\n 'sun': np.tile(np.repeat(['low', 'med', 'high'], 5), 2),\n 'height': [6, 6, 6, 5, 6, 5, 5, 6, 4, 5,\n 6, 6, 7, 8, 7, 3, 4, 4, 4, 5,\n 4, 4, 4, 4, 4, 5, 6, 6, 7, 8]})\n\n#view first ten rows of data<\/span> \ndf[:10]\n\n\twater sun height\n0 daily low 6\n1 daily low 6\n2 daily low 6\n3 daily low 5\n4 daily low 6\n5 daily med 5\n6 daily med 5\n7 daily med 6\n8 daily med 4\n9 daily med 5\n<\/strong><\/pre>\n import<\/span> statsmodels.api as<\/span> sm\nfrom<\/span> statsmodels.formula.api import<\/span> ols\n\n#perform two-way ANOVA<\/span>\nmodel = ols('height ~ C(water) + C(sun) + C(water):C(sun)', data=df).fit()\nsm.stats.anova_lm(model, typ=2)\n\n\t sum_sq df F PR(>F)\nC(water) 8.533333 1.0 16.0000 0.000527\nC(sun) 24.866667 2.0 23.3125 0.000002\nC(water):C(sun) 2.466667 2.0 2.3125 0.120667\nResidual 12.800000 24.0 NaN NaN\n<\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine Drei-Wege-ANOVA in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"