Python ရှိ welch ၏ anova (တစ်ဆင့်ပြီးတစ်ဆင့်)

Welch’s ANOVA သည် ပုံမှန် တစ်လမ်းသွား ANOVA ၏ အခြား ရွေးချယ်စရာတစ်ခုဖြစ်သည်။

အောက်ပါ အဆင့်ဆင့် ဥပမာသည် Python တွင် Welch’s ANOVA လုပ်ဆောင်ပုံကို ပြသထားသည်။

အဆင့် 1: ဒေတာကိုဖန်တီးပါ။

မတူညီသောလေ့လာမှုနည်းလမ်းသုံးမျိုးသည် မတူညီသောစာမေးပွဲရလဒ်များကိုဖြစ်ပေါ်စေခြင်းရှိမရှိဆုံးဖြတ်ရန်၊ ပါမောက္ခတစ်ဦးသည် နည်းပညာတစ်ခုစီကိုအသုံးပြုရန် ကျောင်းသား ၁၀ ဦးကို တစ်ပတ်ကြာ ကျပန်းသတ်မှတ်ပေးကာ ကျောင်းသားတစ်ဦးစီအား တူညီသောအခက်အခဲစမ်းသပ်မှုတစ်ခုပေးသည်။

ကျောင်းသား အယောက် (၃၀) ၏ စာမေးပွဲ ရလဒ်များကို အောက်တွင် ဖော်ပြထားပါသည်။

 A = [64, 66, 68, 75, 78, 94, 98, 79, 71, 80]
B = [91, 92, 93, 90, 97, 94, 82, 88, 95, 96]
C = [79, 78, 88, 94, 92, 85, 83, 85, 82, 81]

အဆင့် 2- သာတူညီမျှကွဲပြားမှုစမ်းသပ်မှု

ထို့နောက်၊ အုပ်စုတစ်ခုစီကြားရှိကွဲလွဲမှုများတန်းတူရှိမရှိဆုံးဖြတ်ရန် Bartlett test ကို လုပ်ဆောင်နိုင်သည်။

စစ်ဆေးမှုစာရင်းအင်း၏ p-တန်ဖိုး သည် အချို့သော အရေးပါမှုအဆင့် (ဥပမာ α = 0.05) အောက်တွင် ရှိနေပါက၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး အုပ်စုအားလုံးတွင် တူညီသောကွဲလွဲမှု မရှိဟု ကောက်ချက်ချနိုင်ပါသည်။

Python တွင် Bartlett စမ်းသပ်မှုကို လုပ်ဆောင်ရန် အောက်ပါကုဒ်ကို အသုံးပြုနိုင်သည်။

 import scipy. stats as stats

#perform Bartlett's test 
stats. bartlett (A, B, C)

BartlettResult(statistic=9.039674395, pvalue=0.010890796567)

Bartlett ၏စမ်းသပ်မှု၏ p-value ( .01089 ) သည် α = .05 ထက်နည်းသည်၊ ဆိုလိုသည်မှာ အုပ်စုတစ်ခုစီတွင် ကွဲလွဲမှုရှိသည်ဟူသော null hypothesis ကို ငြင်းပယ်နိုင်သည်။

ထို့ကြောင့်၊ ကွဲပြားမှုများ၏ တန်းတူညီမျှမှု၏ ယူဆချက်ကို ချိုးဖောက်ပြီး Welch ၏ ANOVA ဖြင့် ဆက်လက်လုပ်ဆောင်နိုင်သည်။

အဆင့် 3- Welch’s ANOVA လုပ်ဆောင်ပါ။

Python တွင် Welch ၏ ANOVA ကိုလုပ်ဆောင်ရန်၊ ကျွန်ုပ်တို့သည် Penguin ပက်ကေ့ခ်ျမှ welch_anova() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

ပထမဦးစွာ ကျွန်ုပ်တို့သည် Penguin ကို ထည့်သွင်းရန် လိုအပ်ပါသည်။

 pip install Penguin

ထို့နောက် Welch ၏ ANOVA လုပ်ဆောင်ရန် အောက်ပါကုဒ်ကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည်။

 import penguin as pg
import pandas as pd
import numpy as np

#createDataFrame
df = pd. DataFrame ({' score ': [64, 66, 68, 75, 78, 94, 98, 79, 71, 80,
                             91, 92, 93, 90, 97, 94, 82, 88, 95, 96,
                             79, 78, 88, 94, 92, 85, 83, 85, 82, 81],
                   ' group ': np. repeat (['a', 'b', 'c'], repeats = 10 )}) 

#perform Welch's ANOVA
pg. welch_anova (dv=' score ', between=' group ', data=df)

        Source ddof1 ddof2 F p-unc np2
0 group 2 16.651295 9.717185 0.001598 0.399286

ANOVA ဇယား၏ စုစုပေါင်း p-value ( 0.001598 ) သည် α = 0.05 ထက်နည်းသည်၊ ဆိုလိုသည်မှာ စာမေးပွဲရလဒ်များသည် လေ့လာမှုနည်းပညာသုံးရပ်တွင် တန်းတူဖြစ်သည်ဟူသော null hypothesis ကို ငြင်းပယ်နိုင်သည်။

ထို့နောက် မည်သည့်အဖွဲ့၏ အဓိပ္ပါယ်သည် ကွဲပြားသည်ကို အတိအကျ ဆုံးဖြတ်ရန် Games-Howell post-hoc စမ်းသပ်မှုကို လုပ်ဆောင်နိုင်သည်-

 pg. pairwise_gameshowell (dv=' score ', between=' group ', data=df)


        A B mean(A) mean(B) diff se T df pval	
0 a b 77.3 91.8 -14.5 3.843754 -3.772354 11.6767 0.0072
1 a c 77.3 84.7 -7.4 3.952777 -1.872102 12.7528 0.1864
2 b c 91.8 84.7 7.1 2.179959 3.256942 17.4419 0.0119

p-တန်ဖိုးများမှ၊ အုပ်စု a နှင့် b အ ကြား ပျမ်းမျှ ခြားနားချက်သည် သိသိသာသာ ကွာခြားပြီး အုပ်စု b နှင့် c အကြား ပျမ်းမျှ ကွာခြားချက်မှာ သိသာထင်ရှားစွာ ခြားနားသည်ကို တွေ့နိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

Python တွင် One-Way ANOVA လုပ်ဆောင်နည်း
Python တွင် Two-Way ANOVA ကို မည်သို့လုပ်ဆောင်ရမည်နည်း။
Python တွင် ထပ်ခါတလဲလဲ တိုင်းတာနည်း ANOVA လုပ်ဆောင်နည်း