Điều chỉnh biến đồng biến trong thiết kế thí nghiệm
Thiết kế thí nghiệm với Python
James Chapman
Curriculum Manager, DataCamp
Giới thiệu về covariate
- Biến đồng biến (covariate): có thể ảnh hưởng kết quả thí nghiệm nhưng không phải trọng tâm
- Quan trọng để giảm nhiễu đồng biến
- Tác động đến độ chính xác và độ tin cậy của kết quả
- Ví dụ: Ảnh hưởng của phương pháp dạy học lên điểm kiểm tra
Ví dụ về dữ liệu thí nghiệm
exp_plant_data = plant_growth_data[['Plant_ID', 'Fertilizer_Type', 'Growth_cm']]
Plant_ID Light_Condition Fertilizer_Type Growth_cm
0 1 Full Sunlight Synthetic 16.489735
1 2 Partial Shade Organic 18.361689
2 3 Full Sunlight Synthetic 18.039459
3 4 Full Sunlight Organic 12.682425
4 5 Full Sunlight Organic 21.480601
Ví dụ về dữ liệu covariate
covariate_data
Plant_ID Watering_Days_Per_Week
0 1 6
1 2 6
2 3 4
3 4 3
4 5 7
Kết hợp dữ liệu thí nghiệm với covariate
merged_plant_data = pd.merge(exp_plant_data, covariate_data, on='Plant_ID')
Plant_ID Fertilizer_Type Growth_cm Watering_Days_Per_Week
0 1 Synthetic 16.489735 6
1 2 Organic 18.361689 6
2 3 Synthetic 18.039459 4
3 4 Organic 12.682425 3
4 5 Organic 21.480601 7
Điều chỉnh theo covariate
from statsmodels.formula.api import olsmodel = ols('Growth_cm ~ Fertilizer_Type + Watering_Days_Per_Week', data=merged_plant_data).fit()model.summary()
OLS Regression Results
==============================================================================
Dep. Variable: Growth_cm R-squared: 0.011
Model: OLS Adj. R-squared: -0.006
Method: Least Squares F-statistic: 0.6370
No. Observations: 120 Prob (F-statistic): 0.531 <---
Df Residuals: 117 Log-Likelihood: -360.45
Df Model: 2 AIC: 726.9
Covariance Type: nonrobust BIC: 735.3
==============================================================================
Khám phá thêm kết quả ANCOVA
coef std err t P>|t| [0.025 0.975]
<hr />-----------------------------------------------------------------------------------------------------
Intercept 19.3373 1.150 16.820 0.000 17.060 21.614
Fertilizer_Type[T.Synthetic] -0.2796 0.913 -0.306 0.760 <-- -2.088 1.528
Watering_Days_Per_Week 0.2507 0.229 1.097 0.275 <-- -0.202 0.703
===========================================================================================================
Omnibus: 14.446 Durbin-Watson: 1.992
Prob(Omnibus): 0.001 Jarque-Bera (JB): 18.267
Skew: 0.675 Prob(JB): 0.000108
Kurtosis: 4.352 Cond. No. 13.3
==================================================================================
Trực quan hóa hiệu ứng xử lý với điều chỉnh covariate
import seaborn as sns
import matplotlib.pyplot as plt
sns.lmplot(x='Watering_Days_Per_Week',
y='Growth_cm',
hue='Fertilizer_Type',
data=merged_plant_data)
plt.show()
Cùng luyện tập nào!
Thiết kế thí nghiệm với Python
