Python တွင် ancova မည်ကဲ့သို့လုပ်ဆောင်ရမည်နည်း။

ANCOVA (“ ကွဲလွဲမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်း” ) ကို တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော covariates အတွက် ထိန်းချုပ်ပြီးနောက် သီးခြားလွတ်လပ်သောအုပ်စုသုံးစု၏ နည်းလမ်းများကြားတွင် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားချက်ရှိမရှိ ဆုံးဖြတ်ရန် အသုံးပြုပါသည်။

ဤသင်ခန်းစာသည် Python တွင် ANCOVA ကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- Python ရှိ ANCOVA

မတူညီသော လေ့လာမှုနည်းပညာသုံးမျိုးသည် စာမေးပွဲရမှတ်များအပေါ် သက်ရောက်မှုရှိမရှိကို ဆရာတစ်ဦးမှ သိချင်သော်လည်း အတန်းထဲတွင်ရှိပြီးသား ကျောင်းသား၏ လက်ရှိအတန်းကို ထည့်သွင်းစဉ်းစားစေလိုပါသည်။

၎င်းသည် အောက်ပါ variable များကိုအသုံးပြု၍ ANCOVA ကိုလုပ်ဆောင်လိမ့်မည်-

• Factor ပြောင်းလဲမှု- နည်းပညာဆိုင်ရာလေ့လာမှု
• Covariate- လက်ရှိရမှတ်
• တုံ့ပြန်မှုပြောင်းလဲနိုင်သော- စာမေးပွဲရမှတ်

ဤဒေတာအတွဲတွင် ANCOVA လုပ်ဆောင်ရန် အောက်ပါအဆင့်များကို လိုက်နာပါ-

အဆင့် 1: ဒေတာကိုထည့်ပါ။

ပထမဦးစွာ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ဒေတာကိုထိန်းထားရန် pandas DataFrame ကို ဖန်တီးပါမည်။

 import numpy as np
import pandas as pd

#create data
df = pd.DataFrame({'technique': np.repeat(['A', 'B', 'C'], 5),
                   'current_grade': [67, 88, 75, 77, 85,
                                     92, 69, 77, 74, 88, 
                                     96, 91, 88, 82, 80],
                   'exam_score': [77, 89, 72, 74, 69,
                                  78, 88, 93, 94, 90,
                                  85, 81, 83, 88, 79]})
#view data 
df

   technical current_grade exam_score
0 A 67 77
1 A 88 89
2 A 75 72
3 A 77 74
4 A 85 69
5 B 92 78
6 B 69 88
7 B 77 93
8 B 74 94
9 B 88 90
10 C 96 85
11 C 91 81
12 C 88 83
13 C 82 88
14 C 80 79

အဆင့် 2- ANCOVA လုပ်ဆောင်ပါ။

ထို့နောက်၊ ကျွန်ုပ်တို့သည် ပင်ဂွင်းစာကြည့်တိုက်မှ ancova() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ ANCOVA ကို လုပ်ဆောင်ပါမည်။

 pip install penguin 
from penguin import ancova

#perform ANCOVA
ancova(data= df , dv=' exam_score ', covar=' current_grade ', between=' technique ')


        Source SS DF F p-unc np2
0 technical 390.575130 2 4.80997 0.03155 0.46653
1 current_grade 4.193886 1 0.10329 0.75393 0.00930
2 Residual 446.606114 11 NaN NaN NaN

အဆင့် 3- ရလဒ်များကို ဘာသာပြန်ပါ။

ANCOVA ဇယားမှ၊ လေ့လာမှုနည်းပညာအတွက် p-value (p-unc = “ uncorrected p-value” ) သည် 0.03155 ဖြစ်သည်ကို ကျွန်ုပ်တို့တွေ့မြင်ရပါသည်။ ဤတန်ဖိုးသည် 0.05 ထက်နည်းသောကြောင့်၊ လေ့လာမှုနည်းစနစ်တစ်ခုစီသည် အတန်းရှိကျောင်းသား၏လက်ရှိအတန်းအတွက် စာရင်းတွက်ချက်ပြီးသည့်တိုင် တူညီသောပျမ်းမျှစာမေးပွဲအဆင့်သို့ ဦးတည်စေသော null hypothesis ကို ငြင်းပယ်နိုင်ပါသည်။