<\/p>\n
De volgende voorbeelden laten zien hoe u drie verschillende t-tests kunt uitvoeren met behulp van een pandas DataFrame:<\/span><\/p>\n Een onafhankelijke t-test met twee steekproeven<\/a> wordt gebruikt om te bepalen of de gemiddelden van twee populaties gelijk zijn.<\/span><\/p>\n Stel bijvoorbeeld dat een hoogleraar wil weten of twee verschillende studiemethoden tot verschillende gemiddelde cijfers op tentamens leiden.<\/span><\/p>\n Om dit te testen rekruteert hij 10 studenten die methode A gebruiken en 10 studenten die methode B gebruiken.<\/span><\/p>\n De volgende code laat zien hoe u de scores van elke leerling in een pandas DataFrame kunt invoeren en vervolgens de functie ttest_ind()<\/a> van de SciPy-<\/strong> bibliotheek kunt gebruiken om een onafhankelijke t-test met twee steekproeven uit te voeren:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/span><\/p>\n Omdat de p-waarde kleiner is dan 0,05, verwerpen we de nulhypothese van de t-toets en concluderen we dat er voldoende bewijs is om te stellen dat de twee methoden tot verschillende gemiddelde examenscores leiden.<\/span><\/p>\n De t-test van Welch<\/a> is vergelijkbaar met de onafhankelijke t-test met twee steekproeven, behalve dat er niet van wordt uitgegaan dat de twee populaties waaruit de steekproeven zijn getrokken een gelijke variantie<\/a> hebben.<\/span><\/p>\n Om de t-test van Welch uit te voeren op exact dezelfde gegevensset als het vorige voorbeeld, hoeven we eenvoudigweg equal_var=False<\/strong> in de functie ttest_ind<\/strong> () als volgt op te geven:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n Omdat de p-waarde kleiner is dan 0,05, verwerpen we de nulhypothese van Welch’s t-test en concluderen we dat er voldoende bewijs is om te stellen dat de twee methoden tot verschillende gemiddelde examenscores leiden.<\/span><\/p>\n Een paired samples t-test<\/a> wordt gebruikt om te bepalen of twee populatiegemiddelden gelijk zijn, waarbij elke waarneming in de ene steekproef kan worden geassocieerd met een waarneming in de andere steekproef.<\/span><\/p>\n Stel bijvoorbeeld dat een hoogleraar wil weten of twee verschillende studiemethoden tot verschillende gemiddelde cijfers op tentamens leiden.<\/span><\/p>\n Om dit te testen rekruteert hij tien studenten die methode A gebruiken en vervolgens een test afleggen. Vervolgens laat hij dezelfde tien leerlingen die Methode B gebruikten zich voorbereiden en nog een toets van vergelijkbare moeilijkheidsgraad afleggen.<\/span><\/p>\n Omdat alle leerlingen in beide steekproeven voorkomen, kunnen we in dit scenario een gepaarde steekproeven-t-toets uitvoeren.<\/span><\/p>\n De volgende code laat zien hoe u de scores van elke leerling in een Panda DataFrame kunt invoeren en vervolgens de functie ttest_rel()<\/a> van de SciPy-<\/strong> bibliotheek kunt gebruiken om een t-test met gepaarde voorbeelden uit te voeren:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n Omdat de p-waarde kleiner is dan 0,05, verwerpen we de nulhypothese van de paired samples t-test en concluderen we dat er voldoende bewijs is om te stellen dat de twee methoden tot verschillende gemiddelde examenscores leiden.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in Python kunt uitvoeren:<\/span><\/p>\n Hoe u een Chi-Square-onafhankelijkheidstest uitvoert in Python<\/a> De volgende voorbeelden laten zien hoe u drie verschillende t-tests kunt uitvoeren met behulp van een pandas DataFrame: Onafhankelijke t-test met twee steekproeven Welch’s t-test met twee steekproeven Gepaarde monsters t-test Voorbeeld 1: Onafhankelijke t-test met twee steekproeven bij panda’s Een onafhankelijke t-test met twee steekproeven wordt gebruikt om te bepalen of de gemiddelden van […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-3130","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld 1: Onafhankelijke t-test met twee steekproeven bij panda’s<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\nfrom<\/span> scipy. stats<\/span> import<\/span> ttest_ind\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'method': ['A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B'],\n 'score': [71, 72, 72, 75, 78, 81, 82, 83, 89, 91, 80, 81, 81,\n 84, 88, 88, 89, 90, 90, 91]})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n method score\n0 to 71\n1 To 72\n2 To 72\n3 to 75\n4 to 78\n\n#define samples\n<\/span>group1 = df[df[' method<\/span> ']==' A<\/span> ']\ngroup2 = df[df[' method<\/span> ']==' B<\/span> ']\n\n#perform independent two sample t-test\n<\/span>ttest_ind(group1[' score<\/span> '], group2[' score<\/span> '])\n\nTtest_indResult(statistic=-2.6034304605397938, pvalue=0.017969284594810425)\n<\/strong><\/span><\/pre>\n\n
Voorbeeld 2: Welch’s t-test bij panda’s<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\nfrom<\/span> scipy. stats<\/span> import<\/span> ttest_ind\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'method': ['A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B'],\n 'score': [71, 72, 72, 75, 78, 81, 82, 83, 89, 91, 80, 81, 81,\n 84, 88, 88, 89, 90, 90, 91]})\n\n#define samples\n<\/span>group1 = df[df[' method<\/span> ']==' A<\/span> ']\ngroup2 = df[df[' method<\/span> ']==' B<\/span> ']\n\n#perform Welch's t-test\n<\/span>ttest_ind(group1[' score<\/span> '], group2[' score<\/span> '], equal_var= False<\/span> )\n\nTtest_indResult(statistic=-2.603430460539794, pvalue=0.02014688617423973)\n<\/strong><\/span><\/pre>\n\n
Voorbeeld 3: T-test van gepaarde monsters bij Panda’s<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\nfrom<\/span> scipy. stats<\/span> import<\/span> ttest_rel\n\n#create pandas DataFrame\n<\/span>df = pd. DataFrame<\/span> ({'method': ['A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B', 'B'],\n 'score': [71, 72, 72, 75, 78, 81, 82, 83, 89, 91, 80, 81, 81,\n 84, 88, 88, 89, 90, 90, 91]})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n method score\n0 to 71\n1 To 72\n2 To 72\n3 to 75\n4 to 78\n\n#define samples\n<\/span>group1 = df[df[' method<\/span> ']==' A<\/span> ']\ngroup2 = df[df[' method<\/span> ']==' B<\/span> ']\n\n#perform independent two sample t-test\n<\/span>ttest_rel(group1[' score<\/span> '], group2[' score<\/span> '])\n\nTtest_relResult(statistic=-6.162045351967805, pvalue=0.0001662872100210469)\n<\/strong><\/span><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Eenrichtings-ANOVA uitvoeren in Python<\/a>
Hoe Fisher’s Exact-test in Python uit te voeren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"