Come eseguire il test di dunn in python

Un test di Kruskal-Wallis viene utilizzato per determinare se esiste o meno una differenza statisticamente significativa tra le mediane di tre o più gruppi indipendenti. È considerato l’equivalente non parametrico dell’ANOVA unidirezionale .

Se i risultati di un test di Kruskal-Wallis sono statisticamente significativi, allora è opportuno eseguire il test di Dunn per determinare esattamente quali gruppi sono diversi.

Questo tutorial spiega come eseguire il test di Dunn in Python.

Esempio: il test Dunn in Python

I ricercatori vogliono sapere se tre diversi fertilizzanti portano a diversi livelli di crescita delle piante. Selezionano casualmente 30 piante diverse e le dividono in tre gruppi da 10, applicando un fertilizzante diverso a ciascun gruppo. Dopo un mese si misura l’altezza di ogni pianta.

Dopo aver eseguito un test Kruskal-Wallis, hanno scoperto che il valore p complessivo è statisticamente significativo, il che significa che la crescita mediana non è la stessa nei tre gruppi. Quindi eseguono il test di Dunn per determinare esattamente quali gruppi sono diversi.

Per eseguire il test Dunn in Python, possiamo utilizzare la funzione posthoc_dunn() dalla libreria scikit-posthocs.

Il codice seguente mostra come utilizzare questa funzione:

Passaggio 1: installa scikit-posthocs.

Per prima cosa dobbiamo installare la libreria scikit-posthocs:

 pip install scikit-posthocs

Passaggio 2: eseguire il test di Dunn.

Quindi possiamo creare i dati ed eseguire il test Dunn:

 #specify the growth of the 10 plants in each group
group1 = [7, 14, 14, 13, 12, 9, 6, 14, 12, 8]
group2 = [15, 17, 13, 15, 15, 13, 9, 12, 10, 8]
group3 = [6, 8, 8, 9, 5, 14, 13, 8, 10, 9]
data = [group1, group2, group3]

#perform Dunn's test using a Bonferonni correction for the p-values
import scikit_posthocs as sp
sp. posthoc_dunn (data, p_adjust = ' bonferroni ')

               1 2 3
1 1.000000 0.550846 0.718451
2 0.550846 1.000000 0.036633
3 0.718451 0.036633 1.000000

Tieni presente che abbiamo scelto di utilizzare una correzione Bonferroni per i valori p per controllare il tasso di errore familiare , ma altre possibili scelte per l’argomento p_adjust includono:

• sidak
• Holm-Sidak
• Simes Hochberg
• manl
• fdr_bh
• fdr_by
• fdr_tsbh

Fare riferimento alla documentazione per ulteriori dettagli su ciascuno di questi metodi di aggiustamento del valore p.

Passaggio 3: interpretare i risultati.

Dai risultati del test di Dunn, possiamo osservare quanto segue:

• Il valore p aggiustato per la differenza tra il gruppo 1 e il gruppo 2 è 0,550846 .
• Il valore p aggiustato per la differenza tra il gruppo 1 e il gruppo 3 è 0,718451 .
• Il valore p aggiustato per la differenza tra il gruppo 2 e il gruppo 3 è 0,036633 .

Pertanto, gli unici due gruppi che differiscono in modo statisticamente significativo con α = 0,05 sono i gruppi 2 e 3.

Risorse addizionali

Un’introduzione al test di Dunn per confronti multipli
Come eseguire il test di Dunn in R