Python တွင် three-way anova ကို မည်သို့လုပ်ဆောင်ရမည်နည်း။

သုံးလမ်းသွား ANOVA ကို အချက်သုံးချက်ဖြင့် ဖြန့်ဝေထားသော အမှီအခိုကင်းသော အုပ်စုသုံးစု သို့မဟုတ် ထို့ထက်မကသော အုပ်စုများအကြား စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားချက်ရှိမရှိ ဆုံးဖြတ်ရန် အသုံးပြုပါသည်။

အောက်ပါဥပမာသည် Python တွင် သုံးလမ်းသွား ANOVA ကို မည်သို့လုပ်ဆောင်ရမည်ကို ပြသထားသည်။

ဥပမာ- Python ရှိ သုံးလမ်းသွား ANOVA

လေ့ကျင့်ရေးအစီအစဉ်နှစ်ခုသည် ကောလိပ်ဘတ်စကက်ဘောကစားသမားများကြား ခုန်အမြင့် ပျမ်းမျှတိုးတက်မှုကို ဖြစ်ပေါ်စေခြင်းရှိမရှိ သုတေသီတစ်ဦးမှ ဆုံးဖြတ်လိုသည်ဆိုပါစို့။

ကျား/မ ကွဲပြားခြင်း (Division I သို့မဟုတ် II) သည် အမြင့်ခုန်ခြင်းအပေါ် သက်ရောက်မှုရှိနိုင်သည်ဟု သုတေသီက သံသယရှိသောကြောင့် ဤအချက်များနှင့် ပတ်သက်သော အချက်အလက်များကို စုဆောင်းခဲ့သည်။

သူ၏ ရည်မှန်းချက်မှာ လေ့ကျင့်ရေးအစီအစဉ်၊ ကျား၊ မ နှင့် ကွဲပြားမှုအပေါ် မည်ကဲ့သို့ ခုန်အမြင့်ကို သက်ရောက်သည်ကို ဆုံးဖြတ်ရန် သုံးလမ်း ANOVA ကို လုပ်ဆောင်ရန်ဖြစ်သည်။

Python တွင် ဤသုံးနည်း ANOVA လုပ်ဆောင်ရန် အောက်ပါအဆင့်များကို အသုံးပြုပါ။

အဆင့် 1: ဒေတာကိုဖန်တီးပါ။

ပထမဦးစွာ၊ ဒေတာကိုထိန်းထားရန် pandas DataFrame ကိုဖန်တီးကြပါစို့။

 import numpy as np
import pandas as pd

#createDataFrame
df = pd. DataFrame ({' program ': np.repeat ([1,2],20),
                   ' gender ': np. tile (np. repeat (['M', 'F'], 10), 2),
                   ' division ': np. tile (np. repeat ([1, 2], 5), 4),
                   ' height ': [7, 7, 8, 8, 7, 6, 6, 5, 6, 5,
                              5, 5, 4, 5, 4, 3, 3, 4, 3, 3,
                              6, 6, 5, 4, 5, 4, 5, 4, 4, 3,
                              2, 2, 1, 4, 4, 2, 1, 1, 2, 1]})

#view first ten rows of DataFrame 
df[:10]

	program gender division height
0 1 M 1 7
1 1 M 1 7
2 1 M 1 8
3 1 M 1 8
4 1 M 1 7
5 1 M 2 6
6 1 M 2 6
7 1 M 2 5
8 1 M 2 6
9 1 M 2 5

အဆင့် 2- ANOVA သုံးရပ်ကို လုပ်ဆောင်ပါ။

နောက်တစ်ခု၊ သုံးလမ်း ANOVA ကိုလုပ်ဆောင်ရန် statsmodels စာကြည့်တိုက်မှ anova_lm() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်သည်။

 import statsmodels. api as sm
from statsmodels. formula . api import ols

#perform three-way ANOVA
model = ols("""height ~ C(program) + C(gender) + C(division) +
               C(program):C(gender) + C(program):C(division) + C(gender):C(division) +
               C(program):C(gender):C(division)""", data=df) .fit ()

sm. stats . anova_lm (model, typ= 2 )

	                          sum_sq df F PR(>F)
C(program) 3.610000e+01 1.0 6.563636e+01 2.983934e-09
C(gender) 6.760000e+01 1.0 1.229091e+02 1.714432e-12
C(division) 1.960000e+01 1.0 3.563636e+01 1.185218e-06
C(program):C(gender) 2.621672e-30 1.0 4.766677e-30 1.000000e+00
C(program):C(division) 4.000000e-01 1.0 7.272727e-01 4.001069e-01
C(gender):C(division) 1.000000e-01 1.0 1.818182e-01 6.726702e-01
C(program):C(gender):C(division) 1.000000e-01 1.0 1.818182e-01 6.726702e-01
Residual 1.760000e+01 32.0 NaN NaN

အဆင့် 3- ရလဒ်များကို ဘာသာပြန်ပါ။

Pr(>F) ကော်လံသည် အချက်တစ်ခုချင်းစီအတွက် p-value နှင့် အချက်များကြား အပြန်အလှန်အကျိုးသက်ရောက်မှုများကို ပြသသည်။

ရလဒ်များမှ၊ အချက်သုံးချက်အကြား အပြန်အလှန်အကျိုးသက်ရောက်မှုများသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားမှုမရှိသည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

အချက်သုံးချက်စီ (ပရိုဂရမ်၊ ကျား၊ မ နှင့် ကွဲပြားမှု) သည် အောက်ပါ p-တန်ဖိုးများဖြင့် စာရင်းအင်းအရ သိသာထင်ရှားကြောင်းကိုလည်း ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

• ပရိုဂရမ် P-တန်ဖိုး- 0.00000000298
• Gender P-value: 0.00000000000171
• ဌာနခွဲ P-တန်ဖိုး: 0.00000185

နိဂုံးချုပ်အနေနဲ့ပြောရမယ်ဆိုရင် လေ့ကျင့်ရေးအစီအစဉ်၊ ကျား၊မ ကွဲပြားမှုတွေဟာ ကစားသမားတွေရဲ့ ခုန်နှုန်းမြင့်လာမှုရဲ့ သိသာထင်ရှားတဲ့ အညွှန်းကိန်းတွေပါ။

ဤအချက်သုံးချက်ကြားတွင် သိသာထင်ရှားသော အပြန်အလှန်သက်ရောက်မှုများ မရှိဟုလည်း ကျွန်ုပ်တို့ပြောပါမည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ပါသင်ခန်းစာများသည် Python ရှိ အခြားသော ANOVA မော်ဒယ်များနှင့် အံဝင်ခွင်ကျဖြစ်ပုံကို ရှင်းပြသည်

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