{"id":3348,"date":"2023-07-17T23:22:52","date_gmt":"2023-07-17T23:22:52","guid":{"rendered":"https:\/\/statorials.org\/pt\/python-anova-de-tres-vias\/"},"modified":"2023-07-17T23:22:52","modified_gmt":"2023-07-17T23:22:52","slug":"python-anova-de-tres-vias","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/python-anova-de-tres-vias\/","title":{"rendered":"Como realizar uma anova de tr\u00eas vias em python"},"content":{"rendered":"

<\/p>\n

\n

Uma ANOVA de tr\u00eas fatores<\/strong> \u00e9 usada para determinar se h\u00e1 ou n\u00e3o uma diferen\u00e7a estatisticamente significativa entre as m\u00e9dias de tr\u00eas ou mais grupos independentes que foram distribu\u00eddos por tr\u00eas fatores.<\/span><\/p>\n

O exemplo a seguir mostra como realizar uma ANOVA de tr\u00eas fatores em Python.<\/span><\/p>\n

Exemplo: ANOVA de tr\u00eas fatores em Python<\/strong><\/span><\/h2>\n

Suponha que um pesquisador queira determinar se dois programas de treinamento levam a diferentes melhorias m\u00e9dias na altura do salto entre jogadores universit\u00e1rios de basquete.<\/span><\/p>\n

O pesquisador suspeita que o g\u00eanero e a divis\u00e3o (Divis\u00e3o I ou II) tamb\u00e9m possam afetar a altura do salto, por isso tamb\u00e9m coleta dados sobre esses fatores.<\/span><\/p>\n

Seu objetivo \u00e9 realizar uma ANOVA de tr\u00eas fatores para determinar como o programa de treinamento, o g\u00eanero e a divis\u00e3o afetam a altura do salto.<\/span><\/p>\n

Use as etapas a seguir para realizar esta ANOVA de tr\u00eas fatores em Python:<\/span><\/p>\n

Etapa 1: crie os dados<\/strong><\/span><\/p>\n

Primeiro, vamos criar um DataFrame do pandas para armazenar os dados:<\/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
 Etapa 2: execute a ANOVA de tr\u00eas fatores<\/strong><\/span><\/p>\n
 A seguir, podemos usar a fun\u00e7\u00e3o anova_lm()<\/strong> da biblioteca statsmodels<\/strong> para realizar a ANOVA de tr\u00eas fatores:<\/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
 Etapa 3: interprete os resultados<\/strong><\/span><\/p>\n
 A coluna Pr(>F)<\/strong> exibe o valor p para cada fator individual e as intera\u00e7\u00f5es entre os fatores.<\/span><\/p>\n
 A partir dos resultados, podemos ver que nenhuma das intera\u00e7\u00f5es entre os tr\u00eas fatores foi estatisticamente significativa.<\/span><\/p>\n
 Podemos tamb\u00e9m ver que cada um dos tr\u00eas factores (programa, g\u00e9nero e divis\u00e3o) foi estatisticamente significativo com os seguintes valores de p:<\/span><\/p>\n