Gerandomiseerd blokontwerp: variantie beheersen

Experimenteel ontwerpen in Python

James Chapman

Curriculum Manager, DataCamp

Blokkeren begrijpen

Verklein de variantie door vergelijkbare eenheden te groeperen
Elk blok krijgt alle behandelingen
Focus op behandelingseffecten, met controle voor blokeffecten

Een voorbeeld van blokrandomisatie met twee rasters van oranje en witte vierkanten

Voorbeeld van blokontwerpdata

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

Gerandomiseerd blokontwerp toepassen

Gebruik .groupby() om binnen blokken te schudden

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

Gerandomiseerde blokken geïmplementeerd

numpy.random.choice() voor willekeurige toewijzing binnen blokken

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

Behandelingseffecten binnen blokken visualiseren

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

Boxplot binnen blokken

ANOVA binnen blokken

Neem een significantieniveau $\alpha$ van 0,05

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

Effecten over blokken visualiseren

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

Boxplot over blokken

ANOVA tussen blokken

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)

Laten we oefenen!

Experimenteel ontwerpen in Python