Python တွင် dunn ၏စမ်းသပ်မှုကိုဘယ်လိုလုပ်ဆောင်မလဲ။

Kruskal -Wallis စမ်းသပ်မှုအား အမှီ အခိုကင်းသော အုပ်စုသုံးစု သို့မဟုတ် ထို့ထက်ပိုသော အလယ်အလတ်အုပ်စုများကြားတွင် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားချက်ရှိ၊ မရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။ ၎င်းကို တစ်လမ်းသွား ANOVA ၏ မျဥ်းရိုးမတူညီသော တူညီသည်ဟု ယူဆသည် ။

Kruskal-Wallis စမ်းသပ်မှု၏ရလဒ်များသည်စာရင်းအင်းအရသိသာထင်ရှားပါက၊ မည်သည့်အုပ်စုများကွဲပြားသည်ကိုအတိအကျဆုံးဖြတ်ရန် Dunn စမ်းသပ်မှုကို လုပ်ဆောင်ရန်သင့်လျော်သည် ။

ဤသင်ခန်းစာသည် Python တွင် Dunn ၏စမ်းသပ်မှုကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- Python ရှိ Dunn စမ်းသပ်မှု

မတူညီသော ဓာတ်မြေသြဇာသုံးမျိုးသည် အပင်ကြီးထွားမှုအဆင့် ကွဲပြားစေခြင်း ရှိမရှိ သုတေသီများ သိချင်ကြသည်။ ၎င်းတို့သည် မတူညီသောအပင် 30 ကို ကျပန်းရွေးချယ်ပြီး 10 အုပ်စုသုံးစုခွဲကာ အုပ်စုတစ်ခုစီအတွက် မတူညီသောဓာတ်မြေသြဇာကို အသုံးပြုကြသည်။ တစ်လကြာပြီးနောက် အပင်တစ်ပင်ချင်းစီ၏ အမြင့်ကို တိုင်းတာသည်။

Kruskal-Wallis စမ်းသပ်မှုကို လုပ်ဆောင်ပြီးနောက်၊ ယေဘုယျအားဖြင့် p-value သည် ကိန်းဂဏန်းအရ သိသာထင်ရှားသည်၊ ဆိုလိုသည်မှာ အုပ်စုသုံးစုတွင် ပျမ်းမျှတိုးတက်မှုသည် တူညီမည်မဟုတ်ကြောင်း တွေ့ရှိရသည်။ ထို့နောက် ၎င်းတို့သည် မည်သည့်အဖွဲ့များ ကွဲပြားသည်ကို အတိအကျ ဆုံးဖြတ်ရန် Dunn ၏ စမ်းသပ်မှုကို လုပ်ဆောင်သည်။

Python တွင် Dunn စမ်းသပ်မှုကို လုပ်ဆောင်ရန်၊ ကျွန်ုပ်တို့သည် scikit-posthocs စာကြည့်တိုက်မှ posthoc_dunn() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

အောက်ပါကုဒ်သည် ဤလုပ်ဆောင်ချက်ကို အသုံးပြုနည်းကို ပြသသည်-

အဆင့် 1- scikit-posthocs ကို ထည့်သွင်းပါ။

ပထမဦးစွာ ကျွန်ုပ်တို့သည် scikit-posthocs စာကြည့်တိုက်ကို ထည့်သွင်းရန် လိုအပ်ပါသည်။

 pip install scikit-posthocs

အဆင့် 2: Dunn ၏စမ်းသပ်မှုကိုလုပ်ဆောင်ပါ။

ထို့နောက် ကျွန်ုပ်တို့သည် ဒေတာကို ဖန်တီးပြီး Dunn စမ်းသပ်မှုကို လုပ်ဆောင်နိုင်သည်-

 #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

မိသားစုအလိုက် အမှားအယွင်းနှုန်းကို ထိန်းချုပ်ရန် p-တန်ဖိုးများအတွက် Bonferroni အမှားပြင်ဆင်ချက်ကို ကျွန်ုပ်တို့ ရွေးချယ်ခဲ့သည်ကို သတိပြုပါ၊ သို့သော် p_adjust အငြင်းအခုံအတွက် အခြားသော ဖြစ်နိုင်ခြေရှိသော ရွေးချယ်မှုများ ပါဝင်သည်။

• sidak
• Holm-Sidak
• simes hochberg
• ယောက်ျား
• fdr_bh
• fdr_by
• fdr_tsbh

ဤ p-value ချိန်ညှိမှုနည်းလမ်းတစ်ခုချင်းစီအတွက် အသေးစိတ်အချက်အလက်များအတွက် စာရွက်စာတမ်းအား ကိုးကားပါ။

အဆင့် 3- ရလဒ်များကို ဘာသာပြန်ပါ။

Dunn ၏စမ်းသပ်မှုရလဒ်များမှ၊ ကျွန်ုပ်တို့သည်အောက်ပါတို့ကိုကြည့်ရှုနိုင်သည်။

• အုပ်စု 1 နှင့် အုပ်စု 2 အကြား ခြားနားချက်အတွက် ချိန်ညှိထားသော p-တန်ဖိုးသည် 0.550846 ဖြစ်သည်။
• အုပ်စု 1 နှင့် အုပ်စု 3 အကြား ခြားနားချက်အတွက် ချိန်ညှိထားသော p-တန်ဖိုးသည် 0.718451 ဖြစ်သည်။
• အုပ်စု 2 နှင့် အုပ်စု 3 အကြား ခြားနားချက်အတွက် ချိန်ညှိထားသော p-တန်ဖိုးသည် 0.036633 ဖြစ်သည်။

ထို့ကြောင့် α = 0.05 တွင် ကိန်းဂဏန်းအရ သိသာထင်ရှားစွာ ကွဲပြားသော အုပ်စုနှစ်စုမှာ အုပ်စု 2 နှင့် 3 ဖြစ်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

နှိုင်းယှဉ်မှုများစွာအတွက် Dunn စမ်းသပ်မှုမိတ်ဆက်
R တွင် Dunn ၏စမ်းသပ်မှုကိုမည်သို့လုပ်ဆောင်ရမည်နည်း။