{"id":1050,"date":"2023-07-27T20:28:44","date_gmt":"2023-07-27T20:28:44","guid":{"rendered":"https:\/\/statorials.org\/pt\/teste-dunns-python\/"},"modified":"2023-07-27T20:28:44","modified_gmt":"2023-07-27T20:28:44","slug":"teste-dunns-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/teste-dunns-python\/","title":{"rendered":"Como realizar o teste de dunn em python"},"content":{"rendered":"

<\/p>\n

\n

Um<\/span>teste de Kruskal-Wallis<\/a> \u00e9 usado para determinar se existe ou n\u00e3o uma diferen\u00e7a estatisticamente significativa entre as medianas de tr\u00eas ou mais grupos independentes. \u00c9 considerado o equivalente n\u00e3o param\u00e9trico da<\/span> ANOVA unidirecional<\/a> .<\/p>\n

Se os resultados de um teste de Kruskal-Wallis forem estatisticamente significativos, ent\u00e3o \u00e9 apropriado realizar<\/span> o teste de Dunn<\/a> para determinar exatamente quais grupos s\u00e3o diferentes.<\/span><\/p>\n

Este tutorial explica como realizar o teste de Dunn em Python.<\/span><\/p>\n

Exemplo: o teste Dunn em Python<\/strong><\/span><\/h3>\n

Os pesquisadores querem saber se tr\u00eas fertilizantes diferentes levam a diferentes n\u00edveis de crescimento das plantas. Eles selecionam aleatoriamente 30 plantas diferentes e as dividem em tr\u00eas grupos de 10, aplicando um fertilizante diferente em cada grupo. Depois de um m\u00eas, medem a altura de cada planta.<\/span><\/p>\n

Depois de executar um teste de Kruskal-Wallis, descobriram que o valor p global \u00e9 estatisticamente significativo, o que significa que o crescimento mediano n\u00e3o \u00e9 o mesmo entre os tr\u00eas grupos. Em seguida, eles realizam o teste de Dunn para determinar exatamente quais grupos s\u00e3o diferentes.<\/span><\/p>\n

Para realizar o teste Dunn em Python, podemos usar a fun\u00e7\u00e3o posthoc_dunn()<\/a> da biblioteca scikit-posthocs.<\/span><\/p>\n

O c\u00f3digo a seguir mostra como usar esta fun\u00e7\u00e3o:<\/span><\/p>\n

Etapa 1: Instale o scikit-posthocs.<\/strong><\/span><\/p>\n

Primeiro precisamos instalar a biblioteca scikit-posthocs:<\/span><\/p>\n

 pip install<\/span> scikit-posthocs\n<\/strong><\/pre>\n
 Etapa 2: execute o teste de Dunn.<\/strong><\/span><\/p>\n
 Ent\u00e3o podemos criar os dados e realizar o teste de Dunn:<\/span><\/p>\n
 #specify the growth of the 10 plants in each group<\/span>\ngroup1 = [7, 14, 14, 13, 12, 9, 6, 14, 12, 8]\ngroup2 = [15, 17, 13, 15, 15, 13, 9, 12, 10, 8]\ngroup3 = [6, 8, 8, 9, 5, 14, 13, 8, 10, 9]\ndata = [group1, group2, group3]\n\n#perform Dunn's test using a Bonferonni correction for the p-values\nimport<\/span> scikit_posthocs as<\/span> sp<\/span>\nsp. posthoc_dunn<\/span> (data, p_adjust = ' bonferroni<\/span> ')\n\n               1 2 3\n1 1.000000 0.550846 0.718451\n2 0.550846 1.000000 0.036633\n3 0.718451 0.036633 1.000000<\/span><\/span>\n<\/strong><\/pre>\n
 Observe que optamos por usar uma corre\u00e7\u00e3o de Bonferroni para os valores p para controlar a taxa de erro familiar<\/a> , mas outras op\u00e7\u00f5es potenciais para o argumento p_adjust<\/strong> incluem:<\/span><\/p>\n