Como realizar o teste de dunn em python

Umteste de Kruskal-Wallis é usado para determinar se existe ou não uma diferença estatisticamente significativa entre as medianas de três ou mais grupos independentes. É considerado o equivalente não paramétrico da ANOVA unidirecional .

Se os resultados de um teste de Kruskal-Wallis forem estatisticamente significativos, então é apropriado realizar o teste de Dunn para determinar exatamente quais grupos são diferentes.

Este tutorial explica como realizar o teste de Dunn em Python.

Exemplo: o teste Dunn em Python

Os pesquisadores querem saber se três fertilizantes diferentes levam a diferentes níveis de crescimento das plantas. Eles selecionam aleatoriamente 30 plantas diferentes e as dividem em três grupos de 10, aplicando um fertilizante diferente em cada grupo. Depois de um mês, medem a altura de cada planta.

Depois de executar um teste de Kruskal-Wallis, descobriram que o valor p global é estatisticamente significativo, o que significa que o crescimento mediano não é o mesmo entre os três grupos. Em seguida, eles realizam o teste de Dunn para determinar exatamente quais grupos são diferentes.

Para realizar o teste Dunn em Python, podemos usar a função posthoc_dunn() da biblioteca scikit-posthocs.

O código a seguir mostra como usar esta função:

Etapa 1: Instale o scikit-posthocs.

Primeiro precisamos instalar a biblioteca scikit-posthocs:

 pip install scikit-posthocs

Etapa 2: execute o teste de Dunn.

Então podemos criar os dados e realizar o teste de Dunn:

 #specify the growth of the 10 plants in each group
group1 = [7, 14, 14, 13, 12, 9, 6, 14, 12, 8]
group2 = [15, 17, 13, 15, 15, 13, 9, 12, 10, 8]
group3 = [6, 8, 8, 9, 5, 14, 13, 8, 10, 9]
data = [group1, group2, group3]

#perform Dunn's test using a Bonferonni correction for the p-values
import scikit_posthocs as sp
sp. posthoc_dunn (data, p_adjust = ' bonferroni ')

               1 2 3
1 1.000000 0.550846 0.718451
2 0.550846 1.000000 0.036633
3 0.718451 0.036633 1.000000

Observe que optamos por usar uma correção de Bonferroni para os valores p para controlar a taxa de erro familiar , mas outras opções potenciais para o argumento p_adjust incluem:

• sidak
• Holm-Sidak
• simes hochberg
• cara
• fdr_bh
• fdr_by
• fdr_tsbh

Consulte a documentação para obter mais detalhes sobre cada um desses métodos de ajuste do valor p.

Etapa 3: interprete os resultados.

A partir dos resultados do teste de Dunn, podemos observar o seguinte:

• O valor p ajustado para a diferença entre o grupo 1 e o grupo 2 é 0,550846 .
• O valor p ajustado para a diferença entre o grupo 1 e o grupo 3 é 0,718451 .
• O valor p ajustado para a diferença entre o grupo 2 e o grupo 3 é 0,036633 .

Assim, os únicos dois grupos que são estatisticamente significativamente diferentes em α = 0,05 são os grupos 2 e 3.

Recursos adicionais

Uma introdução ao teste de Dunn para comparações múltiplas
Como realizar o teste de Dunn em R