Comment effectuer le test de Dunn en Python ?

Le test de Dunn est une technique statistique permettant de comparer les moyennes de plusieurs échantillons pour identifier ceux qui sont sensiblement différents les uns des autres, le test de Dunn est fréquemment utilisé dans diverses disciplines. y compris la biologie, la psychologie et l'éducation. Nous examinerons le test de Dunn en profondeur dans cet article, ainsi qu'une implémentation Python.

Qu'est-ce que le test de Dunn ?

Le test de Dunn est une méthode d'analyse statistique utilisée pour comparer les moyennes de plusieurs échantillons. Il s'agit d'une méthode de test de comparaison multiple utilisée pour comparer les moyennes de plus de deux échantillons afin de déterminer quels échantillons sont significativement différents les uns des autres.

Lorsque l'hypothèse de normalité n'est pas respectée, le test non paramétrique de Kruskal−Wallis de Dunn est parfois utilisé pour comparer les moyennes de plusieurs échantillons. S'il y avait des différences significatives entre les moyennes des échantillons, le test de Kruskal-Wallis a été utilisé pour trouver ces différences. Effectuez des comparaisons par paires des moyennes des échantillons pour déterminer quels échantillons sont significativement différents les uns des autres. Utilisez ensuite le test de Dunn pour comparer les moyennes de l'échantillon.

Test de Dunn en Python

Pour exécuter le test de Dunn en Python, nous pouvons utiliser la méthode posthoc dunn() de la bibliothèque scikit-posthocs.

Le code ci-dessous montre comment utiliser cette fonction -

Grammaire

sp.posthoc_dunn(data, p_adjust = 'bonferroni')

La statistique de test de Bartlett et la valeur p sont renvoyées une fois que cette fonction a reçu un tableau de données

Paramètres

• p_adjust est une méthode d'ajustement de la valeur p

Pour démontrer les tests en Python, considérons le scénario suivant : un chercheur souhaite découvrir si trois engrais différents provoquent différents niveaux de croissance des plantes. Ils ont sélectionné au hasard 30 plantes différentes et les ont divisées en trois groupes de dix plantes, chacune utilisant un engrais différent. Ils ont mesuré la hauteur de chaque plante au bout d'un mois.

Algorithme

• Installer la bibliothèque scikit-posthocs

• Précisez les données de croissance de 10 plantes par groupe

• Fusionnez les 3 combinaisons en une seule donnée

• Test de Dunn pour les valeurs p utilisant la correction de Bonferonni

Exemple

L'exécution du test de Dunn à l'aide de la bibliothèque scikit-posthocs est démontrée ici.

!pip install scikit-posthocs

#specify the growth of the 10 plants in each group
group1 = [9, 10, 16, 9, 10, 5, 7, 13, 10, 9]
group2 = [16, 19, 15, 17, 19, 11, 6, 17, 11, 9]
group3 = [7, 9, 5, 8, 8, 14, 11, 9, 14, 8]
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')

Sortie

The adjusted p-value for the distinction between groups 1 and 2 is 0.115458.
The adjusted p-value for the distinction between groups 1 and 3 is 1.000000.
The adjusted p-value for the distinction between groups 2 and 3 is 0.27465.

Conclusion

Le test de Dunn est largement utilisé dans de nombreux domaines, notamment la biologie, la psychologie et l'éducation, où les moyennes de plusieurs échantillons doivent être comparées pour déterminer s'il existe des différences significatives entre les échantillons. Il est particulièrement bénéfique lorsque l’hypothèse de normalité n’est pas respectée, car il s’agit d’un test non paramétrique qui ne repose pas sur cette hypothèse.

Le test de Dunn peut être utilisé dans le domaine de l'éducation pour comparer les moyennes de nombreux échantillons de données provenant de différentes écoles ou classes afin de déterminer s'il existe des différences significatives dans les moyennes des écoles ou des classes. Par exemple, vous pouvez l'utiliser pour comparer les résultats moyens aux tests dans différentes écoles ou les scores moyens dans différentes classes.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!