Python တွင် brown-forsythe စမ်းသပ်မှုပြုလုပ်နည်း

တစ်လမ်းသွား ANOVA ကို သုံးသော သို့မဟုတ် ထို့ထက်မကသော သီးခြားအုပ်စုများ၏ နည်းလမ်းများကြား သိသာထင်ရှားသော ခြားနားမှု ရှိ၊ မရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။

တစ်လမ်းသွား ANOVA ၏ ယူဆချက် တစ်ခုသည် နမူနာများကို ထုတ်ယူသည့် လူဦးရေ၏ ကွဲလွဲမှုများသည် တူညီသည်ဟု ဆိုသည်။

၎င်းကိုစမ်းသပ်ရန် အသုံးအများဆုံးနည်းလမ်းတစ်ခုမှာ အောက်ဖော်ပြပါ ယူဆချက်များကို အသုံးပြုသည့် စာရင်းအင်းဆိုင်ရာစမ်းသပ်မှုဖြစ်သည့် Brown-Forsythe test ကို အသုံးပြုခြင်းဖြစ်သည်။

• H ₀ : လူဦးရေများကြား ကွဲလွဲမှုများသည် တန်းတူဖြစ်သည်။
• H _A : လူဦးရေ ကွာဟချက်က မညီမျှပါဘူး။

စမ်းသပ်မှု၏ p-တန်ဖိုး သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိပါက (ဥပမာ α = 0.05)၊ ထို့နောက် null hypothesis ကို ငြင်းပယ်ပြီး မတူညီသော လူဦးရေများကြားတွင် ကွဲပြားမှုများ မညီမျှကြောင်း ကောက်ချက်ချပါသည်။

ဤသင်ခန်းစာသည် Python တွင် Brown-Forsythe စမ်းသပ်မှုပြုလုပ်ပုံအဆင့်ဆင့်ကို ဥပမာပေးထားသည်။

အဆင့် 1: ဒေတာကိုထည့်ပါ။

မတူညီသော ဓာတ်မြေသြဇာသုံးမျိုးသည် အပင်ကြီးထွားမှုအဆင့် မတူညီနိုင်သည်ကို သုတေသီများက သိချင်သည်ဆိုပါစို့။

၎င်းတို့သည် မတူညီသောအပင် 30 ကို ကျပန်းရွေးချယ်ပြီး 10 အုပ်စုသုံးစုခွဲကာ အုပ်စုတစ်ခုစီအတွက် မတူညီသောဓာတ်မြေသြဇာကို အသုံးပြုကြသည်။ တစ်လကြာပြီးနောက် အပင်တစ်ပင်ချင်းစီ၏ အမြင့်ကို တိုင်းတာသည်။

အောက်ဖော်ပြပါ ဇယားများသည် အုပ်စုသုံးစုမှ အပင်များ၏ အမြင့်ကို ပြသသည် ။

 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]

အဆင့် 2: ဒေတာကို အကျဉ်းချုံ့ပါ။

Brown-Forsythe စမ်းသပ်မှုမလုပ်ဆောင်မီ၊ အုပ်စုတစ်ခုစီရှိ အပင်တိုင်းတာမှုကွဲပြားမှုကို တွက်ချက်နိုင်သည်-

 #import numpy
import numpy as np

#calculate variance of plant measurements in each group
print (np. var (group1), np. var (group2), np. var (group3))

8.69 7.81 7.0

အဖွဲ့များကြား ကွဲလွဲမှုများ ကွဲပြားသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်သော်လည်း ဤကွာခြားချက်များသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားခြင်း ရှိမရှိ ဆုံးဖြတ်ရန်၊ ကျွန်ုပ်တို့သည် Brown-Forsythe စမ်းသပ်မှုကို လုပ်ဆောင်နိုင်ပါသည်။

အဆင့် 3- Brown-Forsythe စမ်းသပ်မှုကို လုပ်ဆောင်ပါ။

Python တွင် Brown-Forsythe စမ်းသပ်မှုကို လုပ်ဆောင်ရန်၊ ကျွန်ုပ်တို့သည် scipy.stats.levene() လုပ်ဆောင်ချက်ကို အသုံးပြုပြီး အလယ်ဗဟိုသည် အလယ်အလတ် ဖြစ်ကြောင်း သတ်မှတ်နိုင်သည်-

 import scipy.stats as stats

stats. levene (group1, group2, group3, center=' median ')

LeveneResult(statistic=0.17981072555205047, pvalue=0.8364205218185946)

ရလဒ်အနေဖြင့် အောက်ပါတို့ကို လေ့လာနိုင်ပါသည်။

• စမ်းသပ်စာရင်းအင်း- 0.1798
• p-တန်ဖိုး- 0.8364

စာမေးပွဲ၏ p-value သည် 0.05 ထက်ကြီးသောကြောင့် စာမေးပွဲ၏ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။

အုပ်စုများကြား ကွဲလွဲမှု ကွာခြားချက်များသည် စာရင်းအင်းအရ သိသာထင်ရှားသည်မဟုတ်။

နောက်တစ်ဆင့်

အကယ်၍ ကျွန်ုပ်တို့သည် Brown-Forsythe စမ်းသပ်မှု၏ null hypothesis ကို ငြင်းပယ်ပါက data ပေါ်တွင် one-way ANOVA ကို လုပ်ဆောင်နိုင်ပါသည်။

သို့သော်၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်ပါက၊ ကွဲပြားမှုများ၏ တန်းတူညီမျှမှု၏ ယူဆချက်သည် မပြည့်မီကြောင်း ညွှန်ပြနေပါသည်။ ဤကိစ္စတွင်ကျွန်ုပ်တို့သည်ရွေးချယ်စရာနှစ်ခုရှိသည်။

1. ANOVA တစ်ကြောင်းတည်းလုပ်ပါ။

အကြီးဆုံးကွဲလွဲမှုသည် အသေးငယ်ဆုံးကွဲလွဲမှု 4 ဆထက်မပိုသရွေ့ တစ်လမ်းသွား ANOVA သည် မညီမျှသောကွဲလွဲချက်များနှင့် ခိုင်ခံ့မှုရှိသည် ။

အထက်ဖော်ပြပါ ဥပမာ၏ အဆင့် 2 တွင်၊ အသေးငယ်ဆုံးကွဲလွဲမှုမှာ 7.0 ဖြစ်ပြီး အကြီးဆုံးကွဲလွဲမှုမှာ 8.69 ဖြစ်ကြောင်း တွေ့ရှိရပါသည်။ ထို့ကြောင့် အကြီးဆုံးနှင့် အငယ်ဆုံးကွဲလွဲမှု၏ အချိုးသည် 8.69 / 7.0 = 1.24 ဖြစ်သည်။

ဤတန်ဖိုးသည် 4 ထက်နည်းသောကြောင့်၊ Brown-Forsythe စမ်းသပ်မှုတွင် ကွဲလွဲမှုများမတူညီကြောင်းညွှန်ပြနေလျှင်ပင် ကျွန်ုပ်တို့သည် တစ်လမ်းသွား ANOVA ကို ရိုးရိုးရှင်းရှင်း ဆက်လက်လုပ်ဆောင်နိုင်ပါသည်။

2. Kruskal-Wallis စမ်းသပ်မှုပြုလုပ်ပါ။

အငယ်ဆုံးကွဲလွဲချက်နှင့် အကြီးဆုံးကွဲလွဲမှု၏အချိုးသည် 4 ထက်ကြီးပါက၊ ၎င်းအစား Kruskal-Wallis စမ်းသပ်မှုကို လုပ်ဆောင်ရန် ရွေးချယ်နိုင်သည်။ ၎င်းကို တစ်လမ်းမောင်း ANOVA ၏ စံမညီသော တိုင်းတာမှု ညီမျှသည်ဟု ယူဆပါသည်။

Python တွင် Kruskal-Wallis စမ်းသပ်မှု၏ အဆင့်ဆင့် ဥပမာကို ဤနေရာတွင် ရှာတွေ့နိုင်ပါသည်။