Hướng dẫn kruskal-wallis test effect size python - kruskal-wallis thử nghiệm hiệu ứng trăn kích thước

Compute the effect size for Kruskal-Wallis test as the eta squared based on the H-statistic: eta2[H] = (H - k + 1)/(n - k); where H is the value obtained in the Kruskal-Wallis test; k is the number of groups; n is the total number of observations.,The eta-squared estimate assumes values from 0 to 1 and multiplied by 100 indicates the percentage of variance in the dependent variable explained by the independent variable. The interpretation values commonly in published litterature are: 0.01- < 0.06 (small effect), 0.06 - < 0.14 (moderate effect) and >= 0.14 (large effect).,a formula of the form x ~ group where x is a numeric variable giving the data values and group is a factor with one or multiple levels giving the corresponding groups. For example, formula = TP53 ~ cancer_group.,Maciej Tomczak and Ewa Tomczak. The need to report effect size estimates revisited. An overview of some recommended measures of effect size. Trends in Sport Sciences. 2014; 1(21):19-25.

1._

kruskal_effsize(
   data,
   formula,
   ci = FALSE,
   conf.level = 0.95,
   ci.type = "perc",
   nboot = 1000
)

Ví dụ

# Load data
#:::::::::::::::::::::::::::::::::::::::
data("ToothGrowth")
df <- ToothGrowth # Kruskal-wallis rank sum test #::::::::::::::::::::::::::::::::::::::::: df %>% kruskal_effsize(len ~ dose)#> # A tibble: 1 x 5
   #> .y. n effsize method magnitude
   #> * <chr>
      <int>
         <dbl>
            <chr>
               <ord>
                  #> 1 len 60 0.678 eta2[H] large
                  # Grouped data
                  df %>%
                  group_by(supp) %>%
                  kruskal_effsize(len ~ dose)#> # A tibble: 2 x 6
                  #> supp .y. n effsize method magnitude
                  #> * <fct>
                     <chr>
                        <int>
                           <dbl>
                              <chr>
                                 <ord>
                                    #> 1 OJ len 30 0.611 eta2[H] large
                                    #> 2 VC len 30 0.855 eta2[H] large

Gợi ý: 2

Đầu tiên tôi chuyển đổi hai cột quan tâm từ một gấu trúc DataFrame sang hai mảng l_arr và e_arr. Sau đó tôi đã chạy:

import scipy.stats as stats
stats.kruskal(L_arr, E_arr)

Gợi ý: 3

Tính toán thử nghiệm H Kruskal-Wallis cho các mẫu độc lập., Kruskal-Wallis H-Test kiểm tra giả thuyết khống rằng trung bình dân số của tất cả các nhóm đều bằng nhau. Nó là một phiên bản không tham số của ANOVA. Thử nghiệm hoạt động trên 2 mẫu độc lập trở lên, có thể có kích thước khác nhau. Lưu ý rằng việc từ chối giả thuyết null không chỉ ra những nhóm nào khác nhau. So sánh bài hoc giữa các nhóm được yêu cầu để xác định nhóm nào khác nhau., Do giả định rằng H có phân phối Chi vuông, số lượng mẫu trong mỗi nhóm không được quá nhỏ. Một quy tắc điển hình là mỗi mẫu phải có ít nhất 5 phép đo., Nếu một int, trục của đầu vào dọc theo đó để tính toán thống kê. Thống kê của mỗi slice trục (ví dụ: hàng) của đầu vào sẽ xuất hiện trong một phần tử tương ứng của đầu ra. Nếu không có, đầu vào sẽ được tắt trước khi tính toán thống kê.

>>> from scipy
import stats
   >>>
   x = [1, 3, 5, 7, 9] >>>
   y = [2, 4, 6, 8, 10] >>>
   stats.kruskal(x, y)
KruskalResult(statistic = 0.2727272727272734, pvalue = 0.6015081344405895)

>>> x = [1, 1, 1] >>>
   y = [2, 2, 2] >>>
   z = [2, 2] >>>
   stats.kruskal(x, y, z)
KruskalResult(statistic = 7.0, pvalue = 0.0301973834223185)