So führen Sie den Friedman-Test in Python durch

Der Friedman-Test ist eine nicht parametrische Alternative zur ANOVA mit wiederholten Messungen. Es wird verwendet, um zu bestimmen, ob es einen statistisch signifikanten Unterschied zwischen den Mittelwerten von drei oder mehr Gruppen gibt, in denen in jeder Gruppe dieselben Probanden auftauchen.

In diesem Tutorial wird erklärt, wie der Friedman-Test in Python durchgeführt wird.

Beispiel: Der Friedman-Test in Python

Ein Forscher möchte wissen, ob die Reaktionszeiten von Patienten bei drei verschiedenen Medikamenten gleich sind. Um dies zu testen, misst er die Reaktionszeit (in Sekunden) von 10 verschiedenen Patienten auf jedes der drei Medikamente.

Führen Sie die folgenden Schritte aus, um den Friedman-Test in Python durchzuführen und festzustellen, ob die mittlere Reaktionszeit zwischen den Arzneimitteln unterschiedlich ist.

Schritt 1: Geben Sie die Daten ein.

Zuerst erstellen wir drei Arrays, die die Reaktionszeiten für jeden Patienten auf jedes der drei Medikamente enthalten:

group1 = [4, 6, 3, 4, 3, 2, 2, 7, 6, 5]
group2 = [5, 6, 8, 7, 7, 8, 4, 6, 4, 5]
group3 = [2, 4, 4, 3, 2, 2, 1, 4, 3, 2]

Schritt 2: Führen Sie den Friedman-Test durch.

Als Nächstes führen wir den Friedman-Test mit der Funktion friedmanchisquare() aus der Bibliothek scipy.stats durch:

from scipy import stats

# Friedman Test durchführen
stats.friedmanchisquare(group1, group2, group3)

(statistic=13.3514, pvalue=0.00126)

Schritt 3: Interpretieren Sie die Ergebnisse.

Der Friedman-Test verwendet die folgenden Null- und Alternativhypothesen:

Die Nullhypothese (H ₀ ): Der Mittelwert für jede Population ist gleich.

Die alternative Hypothese: (Ha): Mindestens ein Populationsmittelwert unterscheidet sich vom Rest.

In diesem Beispiel beträgt die Teststatistik 13,3514 und der entsprechende p-Wert ist p = 0,00126. Da dieser p-Wert kleiner als 0,05 ist, können wir die Nullhypothese ablehnen, dass die mittlere Reaktionszeit für alle drei Medikamente gleich ist. Wir haben genügend Beweise, um zu dem Schluss zu kommen, dass die Art des verwendeten Arzneimittels zu statistisch signifikanten Unterschieden in der Reaktionszeit führt.