如何在Python中执行Dunn’s Test？

Dunn’s Test是用于比较多个样本的均值的统计技术。当需要比较多个样本的均值以识别它们之间明显的不同时，Dunn’s测试经常在生物学，心理学和教育等多个领域中使用。在本文中，我们将深入研究Dunn’s测试，另外还会介绍Python的实现方式。

Dunn’s Test是什么？

Dunn’s Test是用于比较多个样本的均值的统计分析方法。它是一种多重比较检验方法，用于比较两个以上样本的均值，以识别哪些样本之间有显著差异。

当违反正态性的假设时，有时会使用非参数的Kruskal-Wallis测试结合Dunn’s Test来比较多个样本的均值。如果样本均值有任何显著差异，则使用Kruskal-Wallis测试来发现它们。然后将样本的均值进行成对比较，以识别哪些样本之间有显著差异。最后使用Dunn’s Test比较样本的均值。

在Python中执行Dunn’s Test

为了在Python中运行Dunn’s Test，我们可以使用scikit-posthocs库中的posthoc dunn() 方法。

下面的代码演示了如何使用此函数-

语法

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

该函数收到一个数据数组后，将返回Bartlett’s测试统计量和p值。

参数

• p_adjust是p值调整方法

为了在Python中演示测试，请考虑以下场景：研究人员想要发现三种不同的肥料是否导致植物生长的不同程度。他们随机选择了30株不同的植物，并将它们分成三组，每组用不同的肥料。他们在一个月后测量了每个植物的高度。

步骤

• 安装scikit-posthocs库

• 指定每组10个植物的生长数据

• 将所有3组合并为一组数据

• 使用Bonferonni修正的p值执行Dunn’s Test

示例

以下演示了使用scikit-posthocs lib运行Dunn’s Test的方法 –

!pip install scikit-posthocs

#指定每组10个植物的生长数据
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]

#使用Bonferonni修正的p值执行Dunn's Test
import scikit_posthocs as sp
sp.posthoc_dunn(data, p_adjust = 'bonferroni')

输出

第1组和第2组之间差异的调整p值为0.115458。
第1组和第3组之间差异的调整p值为1.000000。
第2组和第3组之间差异的调整p值为0.27465。

结论

Dunn’s Test被广泛用于多个领域，包括生物学，心理学和教育等，这些领域需要比较多个样本的均值以发现它们之间是否存在显著的差异。特别是当正态性假设被违反时，它是非参数测试，不依赖于这个假设，因此它是特别有用的。

Dunn’s测试可以在教育领域中用于比较来自各个学校或班级的许多数据样本的平均值，以确定学校或课堂是否具有明显不同的平均值。例如，它可以用于比较不同学校的平均考试成绩或不同班级的平均成绩。