<\/p>\n
Dwuczynnikow\u0105 analiz\u0119 ANOVA<\/a> stosuje si\u0119 w celu okre\u015blenia, czy istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy \u015brednimi z trzech lub wi\u0119kszej liczby niezale\u017cnych grup, kt\u00f3re zosta\u0142y podzielone na dwa czynniki.<\/span><\/p>\n Celem dwuczynnikowej analizy ANOVA jest okre\u015blenie wp\u0142ywu dw\u00f3ch czynnik\u00f3w na zmienn\u0105 odpowiedzi oraz okre\u015blenie, czy istnieje interakcja pomi\u0119dzy tymi dwoma czynnikami na zmienn\u0105 odpowiedzi.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak wykona\u0107 dwukierunkow\u0105 analiz\u0119 ANOVA w j\u0119zyku Python.<\/span><\/p>\n Botanik chce wiedzie\u0107, czy na wzrost ro\u015blin wp\u0142ywa ekspozycja na \u015bwiat\u0142o s\u0142oneczne i cz\u0119stotliwo\u015b\u0107 podlewania. Sadzi 30 nasion i pozwala im rosn\u0105\u0107 przez dwa miesi\u0105ce w r\u00f3\u017cnych warunkach nas\u0142onecznienia i cz\u0119stotliwo\u015bci podlewania. Po dw\u00f3ch miesi\u0105cach rejestruje wysoko\u015b\u0107 ka\u017cdej ro\u015bliny w calach.<\/span><\/p>\n Wykonaj poni\u017csze kroki, aby wykona\u0107 dwukierunkow\u0105 analiz\u0119 ANOVA w celu ustalenia, czy cz\u0119stotliwo\u015b\u0107 podlewania i ekspozycja na s\u0142o\u0144ce maj\u0105 znacz\u0105cy wp\u0142yw na wzrost ro\u015blin oraz w celu ustalenia, czy istnieje efekt interakcji pomi\u0119dzy cz\u0119stotliwo\u015bci\u0105 podlewania i ekspozycj\u0105 na s\u0142o\u0144ce. podlewanie i ekspozycja na s\u0142o\u0144ce.<\/span><\/p>\n Krok 1: Wprowad\u017a dane.<\/strong><\/span><\/p>\n Najpierw utworzymy ramk\u0119 danych pandy zawieraj\u0105c\u0105 nast\u0119puj\u0105ce trzy zmienne:<\/span><\/p>\n Krok 2: Wykonaj dwukierunkow\u0105 ANOVA.<\/strong><\/span><\/p>\n Nast\u0119pnie przeprowadzimy dwukierunkow\u0105 analiz\u0119 ANOVA przy u\u017cyciu funkcji anova_lm()<\/a> z biblioteki statsmodels:<\/span><\/p>\n Krok 3: Interpretacja wynik\u00f3w.<\/strong><\/span><\/p>\n W tabeli mo\u017cemy zobaczy\u0107 nast\u0119puj\u0105ce warto\u015bci p dla ka\u017cdego z czynnik\u00f3w:<\/span><\/p>\n Poniewa\u017c warto\u015bci p dla wody i s\u0142o\u0144ca s\u0105 mniejsze ni\u017c 0,05, oznacza to, \u017ce oba czynniki maj\u0105 statystycznie istotny wp\u0142yw na wysoko\u015b\u0107 ro\u015bliny.<\/span><\/p>\n A poniewa\u017c warto\u015b\u0107 p dla efektu interakcji (0,120667) jest nie mniejsza ni\u017c 0,05, m\u00f3wi nam to, \u017ce nie ma znacz\u0105cego efektu interakcji pomi\u0119dzy ekspozycj\u0105 na s\u0142o\u0144ce a cz\u0119stotliwo\u015bci\u0105 podlewania.<\/span><\/p>\n Uwaga:<\/strong> Chocia\u017c wyniki ANOVA m\u00f3wi\u0105 nam, \u017ce cz\u0119stotliwo\u015b\u0107 podlewania i ekspozycja na s\u0142o\u0144ce maj\u0105 statystycznie istotny wp\u0142yw na wysoko\u015b\u0107 ro\u015bliny, b\u0119dziemy musieli przeprowadzi\u0107 badania post hoc,<\/a> aby dok\u0142adnie okre\u015bli\u0107, jak r\u00f3\u017cne poziomy wody i \u015bwiat\u0142a s\u0142onecznego wp\u0142ywaj\u0105 na wysoko\u015b\u0107 ro\u015bliny.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w Pythonie:<\/span><\/p>\n Jak wykona\u0107 jednokierunkow\u0105 ANOVA w Pythonie<\/a> Dwuczynnikow\u0105 analiz\u0119 ANOVA stosuje si\u0119 w celu okre\u015blenia, czy istnieje statystycznie istotna r\u00f3\u017cnica pomi\u0119dzy \u015brednimi z trzech lub wi\u0119kszej liczby niezale\u017cnych grup, kt\u00f3re zosta\u0142y podzielone na dwa czynniki. Celem dwuczynnikowej analizy ANOVA jest okre\u015blenie wp\u0142ywu dw\u00f3ch czynnik\u00f3w na zmienn\u0105 odpowiedzi oraz okre\u015blenie, czy istnieje interakcja pomi\u0119dzy tymi dwoma czynnikami na zmienn\u0105 odpowiedzi. W tym samouczku […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-852","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: dwukierunkowa ANOVA w Pythonie<\/strong><\/span><\/h2>\n
\n
import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#create data<\/span>\ndf = pd.DataFrame({'water': np.repeat(['daily', 'weekly'], 15),\n 'sun': np.tile(np.repeat(['low', 'med', 'high'], 5), 2),\n 'height': [6, 6, 6, 5, 6, 5, 5, 6, 4, 5,\n 6, 6, 7, 8, 7, 3, 4, 4, 4, 5,\n 4, 4, 4, 4, 4, 5, 6, 6, 7, 8]})\n\n#view first ten rows of data<\/span> \ndf[:10]\n\n\twater sun height\n0 daily low 6\n1 daily low 6\n2 daily low 6\n3 daily low 5\n4 daily low 6\n5 daily med 5\n6 daily med 5\n7 daily med 6\n8 daily med 4\n9 daily med 5\n<\/strong><\/pre>\n import<\/span> statsmodels.api as<\/span> sm\nfrom<\/span> statsmodels.formula.api import<\/span> ols\n\n#perform two-way ANOVA<\/span>\nmodel = ols('height ~ C(water) + C(sun) + C(water):C(sun)', data=df).fit()\nsm.stats.anova_lm(model, typ=2)\n\n\t sum_sq df F PR(>F)\nC(water) 8.533333 1.0 16.0000 0.000527\nC(sun) 24.866667 2.0 23.3125 0.000002\nC(water):C(sun) 2.466667 2.0 2.3125 0.120667\nResidual 12.800000 24.0 NaN NaN\n<\/strong><\/pre>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak wykona\u0107 tr\u00f3jczynnikow\u0105 ANOVA w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"