<\/p>\n
Un’ANOVA a due vie<\/a> viene utilizzata per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o pi\u00f9 gruppi indipendenti che sono stati suddivisi in due fattori.<\/span><\/p>\n Lo scopo di un’ANOVA a due vie \u00e8 determinare l’impatto di due fattori su una variabile di risposta e determinare se esiste o meno un’interazione tra i due fattori sulla variabile di risposta.<\/span><\/p>\n Questo tutorial spiega come eseguire un’ANOVA bidirezionale in Python.<\/span><\/p>\n Un botanico vuole sapere se la crescita delle piante \u00e8 influenzata dall’esposizione alla luce solare e dalla frequenza delle annaffiature. Pianta 30 semi e li lascia crescere per due mesi in diverse condizioni di esposizione al sole e frequenza di irrigazione. Dopo due mesi registra l’altezza di ciascuna pianta, in pollici.<\/span><\/p>\n Utilizzare i seguenti passaggi per eseguire un’ANOVA bidirezionale per determinare se la frequenza di irrigazione e l’esposizione al sole hanno un effetto significativo sulla crescita delle piante e per determinare se esiste un effetto di interazione tra la frequenza dell’acqua e l’esposizione al sole. irrigazione ed esposizione al sole.<\/span><\/p>\n Passaggio 1: inserisci i dati.<\/strong><\/span><\/p>\n Innanzitutto, creeremo un DataFrame panda che contiene le seguenti tre variabili:<\/span><\/p>\n Passaggio 2: eseguire l’ANOVA bidirezionale.<\/strong><\/span><\/p>\n Successivamente, eseguiremo l’ANOVA bidirezionale utilizzando la funzione anova_lm()<\/a> dalla libreria statsmodels:<\/span><\/p>\n Passaggio 3: interpretare i risultati.<\/strong><\/span><\/p>\n Possiamo vedere i seguenti valori p per ciascuno dei fattori nella tabella:<\/span><\/p>\n Poich\u00e9 i valori p dell’acqua e del sole sono entrambi inferiori a 0,05, ci\u00f2 significa che entrambi i fattori hanno un effetto statisticamente significativo sull’altezza delle piante.<\/span><\/p>\n E poich\u00e9 il valore p per l’effetto di interazione (0,120667) non \u00e8 inferiore a 0,05, ci\u00f2 ci dice che non esiste un effetto di interazione significativo tra l’esposizione al sole e la frequenza di irrigazione.<\/span><\/p>\n Nota:<\/strong> sebbene i risultati ANOVA ci dicano che la frequenza di irrigazione e l’esposizione al sole hanno un effetto statisticamente significativo sull’altezza delle piante, dovremo eseguire test post-hoc<\/a> per determinare esattamente in che modo i diversi livelli di acqua e luce solare influiscono sull’altezza delle piante.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come eseguire ANOVA unidirezionale in Python<\/a> Un’ANOVA a due vie viene utilizzata per determinare se esiste o meno una differenza statisticamente significativa tra le medie di tre o pi\u00f9 gruppi indipendenti che sono stati suddivisi in due fattori. Lo scopo di un’ANOVA a due vie \u00e8 determinare l’impatto di due fattori su una variabile di risposta e determinare se esiste o […]<\/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 Esempio: ANOVA a due vie 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
Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire un’ANOVA a tre vie in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"