{"id":3347,"date":"2023-07-17T23:22:52","date_gmt":"2023-07-17T23:22:52","guid":{"rendered":"https:\/\/statorials.org\/pl\/trojdrozny-python-anova\/"},"modified":"2023-07-17T23:22:52","modified_gmt":"2023-07-17T23:22:52","slug":"trojdrozny-python-anova","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/trojdrozny-python-anova\/","title":{"rendered":"Jak wykona\u0107 tr\u00f3jczynnikow\u0105 anova w pythonie"},"content":{"rendered":"

<\/p>\n

\n

Tr\u00f3jczynnikow\u0105 analiz\u0119 ANOVA<\/strong> stosuje si\u0119 w celu ustalenia, czy istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy \u015brednimi z trzech lub wi\u0119kszej liczby niezale\u017cnych grup, kt\u00f3re zosta\u0142y rozdzielone na trzy czynniki.<\/span><\/p>\n

Poni\u017cszy przyk\u0142ad pokazuje, jak wykona\u0107 tr\u00f3jczynnikow\u0105 analiz\u0119 ANOVA w Pythonie.<\/span><\/p>\n

Przyk\u0142ad: Tr\u00f3jczynnikowa ANOVA w Pythonie<\/strong><\/span><\/h2>\n

Za\u0142\u00f3\u017cmy, \u017ce badacz chce ustali\u0107, czy dwa programy treningowe prowadz\u0105 do r\u00f3\u017cnej \u015bredniej poprawy wysoko\u015bci skoku w\u015br\u00f3d koszykarzy z college’u.<\/span><\/p>\n

Badacz podejrzewa, \u017ce p\u0142e\u0107 i podzia\u0142 (I lub II Dywizja) r\u00f3wnie\u017c mog\u0105 mie\u0107 wp\u0142yw na wysoko\u015b\u0107 skoku, dlatego zbiera dane r\u00f3wnie\u017c na temat tych czynnik\u00f3w.<\/span><\/p>\n

Jego celem jest wykonanie tr\u00f3jczynnikowej analizy ANOVA w celu okre\u015blenia, w jaki spos\u00f3b program treningowy, p\u0142e\u0107 i kategoria wp\u0142ywaj\u0105 na wysoko\u015b\u0107 skoku.<\/span><\/p>\n

Wykonaj poni\u017csze kroki, aby wykona\u0107 tr\u00f3jczynnikow\u0105 analiz\u0119 ANOVA w Pythonie:<\/span><\/p>\n

Krok 1: Utw\u00f3rz dane<\/strong><\/span><\/p>\n

Najpierw utw\u00f3rzmy pand\u0119 DataFrame do przechowywania danych:<\/span><\/p>\n

 import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' program<\/span> ': np.repeat<\/span> ([1,2],20),\n                   ' gender<\/span> ': np. tile<\/span> (np. repeat<\/span> (['M', 'F'], 10), 2),\n                   ' division<\/span> ': np. tile<\/span> (np. repeat<\/span> ([1, 2], 5), 4),\n                   ' height<\/span> ': [7, 7, 8, 8, 7, 6, 6, 5, 6, 5,\n                              5, 5, 4, 5, 4, 3, 3, 4, 3, 3,\n                              6, 6, 5, 4, 5, 4, 5, 4, 4, 3,\n                              2, 2, 1, 4, 4, 2, 1, 1, 2, 1]})\n\n#view first ten rows of DataFrame \n<\/span>df[:10]\n\n\tprogram gender division height\n0 1 M 1 7\n1 1 M 1 7\n2 1 M 1 8\n3 1 M 1 8\n4 1 M 1 7\n5 1 M 2 6\n6 1 M 2 6\n7 1 M 2 5\n8 1 M 2 6\n9 1 M 2 5\n<\/strong><\/span><\/pre>\n
 Krok 2: Wykonaj tr\u00f3jczynnikow\u0105 ANOVA<\/strong><\/span><\/p>\n
 Nast\u0119pnie mo\u017cemy u\u017cy\u0107 funkcji anova_lm()<\/strong> z biblioteki statsmodels<\/strong> , aby wykona\u0107 tr\u00f3jczynnikow\u0105 analiz\u0119 ANOVA:<\/span><\/p>\n
 import<\/span> statsmodels. api<\/span> as<\/span> sm\nfrom<\/span> statsmodels. formula<\/span> . api<\/span> import<\/span> ols\n\n#perform three-way ANOVA\n<\/span>model = ols(\"\"\"height ~ C(program) + C(gender) + C(division) +\n               C(program):C(gender) + C(program):C(division) + C(gender):C(division) +\n               C(program):C(gender):C(division)\"\"\", data=df) .fit<\/span> ()\n\nsm. stats<\/span> . anova_lm<\/span> (model, typ= 2<\/span> )\n\n\t                          sum_sq df F PR(>F)\nC(program) 3.610000e+01 1.0 6.563636e+01 2.983934e-09\nC(gender) 6.760000e+01 1.0 1.229091e+02 1.714432e-12\nC(division) 1.960000e+01 1.0 3.563636e+01 1.185218e-06\nC(program):C(gender) 2.621672e-30 1.0 4.766677e-30 1.000000e+00\nC(program):C(division) 4.000000e-01 1.0 7.272727e-01 4.001069e-01\nC(gender):C(division) 1.000000e-01 1.0 1.818182e-01 6.726702e-01\nC(program):C(gender):C(division) 1.000000e-01 1.0 1.818182e-01 6.726702e-01\nResidual 1.760000e+01 32.0 NaN NaN<\/strong><\/span><\/pre>\n
 Krok 3: Interpretacja wynik\u00f3w<\/strong><\/span><\/p>\n
 Kolumna Pr(>F)<\/strong> wy\u015bwietla warto\u015b\u0107 p dla ka\u017cdego pojedynczego czynnika i interakcje mi\u0119dzy czynnikami.<\/span><\/p>\n
 Z wynik\u00f3w wynika, \u017ce \u017cadna z interakcji pomi\u0119dzy trzema czynnikami nie by\u0142a istotna statystycznie.<\/span><\/p>\n
 Widzimy r\u00f3wnie\u017c, \u017ce ka\u017cdy z trzech czynnik\u00f3w (program, p\u0142e\u0107 i podzia\u0142) by\u0142 istotny statystycznie z nast\u0119puj\u0105cymi warto\u015bciami p:<\/span><\/p>\n