<\/p>\n
L’ANOVA di Welch<\/strong> \u00e8 un’alternativa alla tipica ANOVA unidirezionale<\/a> quando il presupposto dell’uguaglianza delle varianze<\/a> non \u00e8 soddisfatto.<\/span><\/p>\n Il seguente esempio passo passo mostra come eseguire l’ANOVA di Welch in Python.<\/span><\/p>\n Per determinare se tre diverse tecniche di studio portano a risultati di esame diversi, un professore assegna casualmente a 10 studenti l’uso di ciascuna tecnica (tecnica A, B o C) per una settimana, quindi assegna a ciascuno studente un test di uguale difficolt\u00e0.<\/span><\/p>\n I risultati degli esami dei 30 studenti sono presentati di seguito:<\/span><\/p>\n Successivamente, possiamo eseguire il test di Bartlett<\/a> per determinare se le varianze tra ciascun gruppo sono uguali.<\/span><\/p>\n Se il valore p<\/a> della statistica test \u00e8 inferiore a un certo livello di significativit\u00e0 (come \u03b1 = 0,05), allora possiamo rifiutare l\u2019ipotesi nulla e concludere che non tutti i gruppi hanno la stessa varianza.<\/span><\/p>\n Possiamo usare il seguente codice per eseguire il test Bartlett in Python:<\/span><\/span><\/p>\n Il valore p ( 0,01089<\/strong> ) del test di Bartlett \u00e8 inferiore a \u03b1 = 0,05, il che significa che possiamo rifiutare l’ipotesi nulla che ciascun gruppo abbia la stessa varianza.<\/span><\/p>\n Pertanto, l’assunzione dell’uguaglianza delle varianze viene violata e possiamo procedere con l’ANOVA di Welch.<\/span><\/p>\n Per eseguire l’ANOVA di Welch in Python, possiamo utilizzare la funzione welch_anova()<\/strong> dal pacchetto Penguin.<\/span><\/p>\n Per prima cosa dobbiamo installare Penguin:<\/span><\/p>\n Quindi possiamo utilizzare il seguente codice per eseguire l’ANOVA di Welch:<\/span><\/p>\n Il valore p complessivo ( 0,001598<\/strong> ) della tabella ANOVA \u00e8 inferiore a \u03b1 = 0,05, il che significa che possiamo rifiutare l’ipotesi nulla che i risultati dell’esame siano uguali tra le tre tecniche di studio.<\/span><\/p>\n Possiamo quindi eseguire il test post-hoc di Games-Howell per determinare esattamente quali medie di gruppo sono diverse:<\/span><\/p>\n Dai valori p, possiamo vedere che la differenza media tra i gruppi a<\/strong> e b<\/strong> \u00e8 significativamente diversa e la differenza media tra i gruppi b<\/strong> e c<\/strong> \u00e8 significativamente diversa.<\/span><\/p>\n Come eseguire ANOVA unidirezionale in Python<\/a> L’ANOVA di Welch \u00e8 un’alternativa alla tipica ANOVA unidirezionale quando il presupposto dell’uguaglianza delle varianze non \u00e8 soddisfatto. Il seguente esempio passo passo mostra come eseguire l’ANOVA di Welch in Python. Passaggio 1: creare i dati Per determinare se tre diverse tecniche di studio portano a risultati di esame diversi, un professore assegna casualmente a […]<\/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 Passaggio 1: creare i dati<\/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
Passaggio 2: test delle differenze uguali<\/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 Passaggio 3: eseguire l’ANOVA di Welch<\/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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire un’ANOVA bidirezionale in Python<\/a>
Come eseguire misure ripetute ANOVA in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"