Rastgele blok tasarımı: varyansı kontrol etme

Python ile Deney Tasarımı

James Chapman

Curriculum Manager, DataCamp

Bloklamayı anlama

Benzer birimleri gruplayarak varyansı azaltın
Her blok tüm tedavileri alır
Tedavi etkilerine odaklanın, blok etkilerini kontrol edin

Turuncu ve beyaz karelerden oluşan iki ızgarayla blok rasgeleleştirme örneği

Blok tasarım veri örneği

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

Rastgele blok tasarımını uygulama

Blok içinde karıştırmak için .groupby() kullanın

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

Uygulanan rastgele bloklar

Blok içinde rastgele atama için numpy.random.choice()

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

Bloklar içinde tedavi etkilerini görselleştirme

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

Bloklar içinde kutu grafiği

Bloklar içinde ANOVA

Anlamlılık düzeyi $\alpha$ = 0,05 varsayınız

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

Bloklar arasında etkileri görselleştirme

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

Bloklar arasında kutu grafiği

Bloklar arasında ANOVA

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)

Hadi pratik yapalım!

Python ile Deney Tasarımı