Randomisierte Blockplanung: Varianz kontrollieren

Versuchsplanung mit Python

James Chapman

Curriculum Manager, DataCamp

Blocking verstehen

 

  • Varianz reduzieren durch Gruppieren ähnlicher Einheiten
  • Jeder Block erhält alle Behandlungen
  • Fokus auf Behandlungseffekte, Blockeffekte kontrollieren

Ein Beispiel für Blockrandomisierung mit zwei Gittern aus orangen und weißen Quadraten

Versuchsplanung mit Python

Beispieldaten für Blockdesign

athletes.head()

   Athlete_ID Initial_Fitness_Level  Muscle_Gain_kg
0         113              Beginner        3.225102
1          30              Advanced        3.976548
2         183          Intermediate        5.165449
3         200              Beginner        2.188297
4         194              Beginner        4.724162
Versuchsplanung mit Python

Randomisierte Blockplanung umsetzen

  • Mit .groupby() innerhalb von Blöcken mischen
blocks = athletes.groupby('Initial_Fitness_Level').apply(

    lambda x: x.sample(frac=1)

)

blocks = blocks.reset_index(drop=True)
blocks

     Athlete_ID Initial_Fitness_Level  Muscle_Gain_kg
0           198              Advanced           5.742
1           146              Advanced           6.248
2           157              Advanced           6.049
..          ...                   ...             ...
198         164          Intermediate           6.134
199         178          Intermediate           6.591
Versuchsplanung mit Python

Randomisierte Blöcke implementiert

  • numpy.random.choice() für zufällige Zuweisung innerhalb von Blöcken
blocks['Treatment'] = np.random.choice(
    ['Cardio', 'Strength Training', 'Mixed'],
    size=len(blocks))

blocks.sample(n=5)

     Athlete_ID  Initial_Fitness_Level  Muscle_Gain_kg          Treatment
 87         194               Beginner           4.724             Cardio
 54           3               Advanced           3.731  Strength Training
177          80           Intermediate           6.758              Mixed
146         183           Intermediate           5.165  Strength Training          
 60         190               Advanced           3.763             Cardio
Versuchsplanung mit Python

Behandlungseffekte innerhalb von Blöcken visualisieren

import seaborn as sns
sns.boxplot(x='Initial_Fitness_Level', y='Muscle_Gain_kg', hue='Treatment', data=blocks)
plt.show()

Boxplot innerhalb von Blöcken

Versuchsplanung mit Python

ANOVA innerhalb von Blöcken

  • Signifikanzniveau $\alpha$ = 0,05 annehmen
from scipy.stats import f_oneway
blocks.groupby('Initial_Fitness_Level').apply(
  lambda x: f_oneway(x[x['Treatment'] == 'Cardio']['Muscle_Gain_kg'], 
                     x[x['Treatment'] == 'Mixed']['Muscle_Gain_kg'],
                     x[x['Treatment'] == 'Strength Training']['Muscle_Gain_kg'])
)

Block
Initial_Fitness_Level
Advanced        (0.7951054385317405, 0.4555687666120679)
Beginner        (0.1085790370950905, 0.8972754969684291)
Intermediate    (0.5678877824942661, 0.5698403547950377)
dtype: object
Versuchsplanung mit Python

Effekte über Blöcke hinweg visualisieren

import seaborn as sns
sns.boxplot(x='Initial_Fitness_Level', y='Muscle_Gain_kg', data=blocks)
plt.show()

Boxplot über Blöcke hinweg

Versuchsplanung mit Python

ANOVA zwischen Blöcken

f_oneway(
  blocks[blocks['Initial_Fitness_Level'] == "Advanced"]['Muscle_Gain_kg'], 
  blocks[blocks['Initial_Fitness_Level'] == "Beginner"]['Muscle_Gain_kg'], 
  blocks[blocks['Initial_Fitness_Level'] == "Intermediate"]['Muscle_Gain_kg']
)

F_onewayResult(statistic=2.325058605244051, pvalue=0.10045536062209368)
Versuchsplanung mit Python

Lass uns üben!

Versuchsplanung mit Python

Preparing Video For Download...