Python实现两因素独立设计方差分析，简单效应分析 |
您所在的位置：网站首页 › 简单效应分析和简单简单效应分析 › Python实现两因素独立设计方差分析，简单效应分析 |
Python实现两因素独立设计方差分析，简单效应分析
|
# Python实现两因素独立设计方差分析 1. 背景1. 有研究者探讨了在不同企业文化下，管理者的不同语言风格所产生的影响 有的企业注重员工的独立性，强调个人努力和内部竞争；有的企业注重员工的整体性，强调团队合作和团队绩效。 管理者的语言风格有斩钉截铁型和优柔寡断型。 据此，研究者制作了 4 种录音材料，分别提供不同企业文化背景下管理者不同语言风格的对话内容， 12名被试被分成4组参与了实验，每组分别听不同的录音。最后要求被试用 7 点量表评估管理者的能力。 结果如下：
实验目的：探究不同企业文化下不同语言风格对管理能力得分的影响。 实验设计：2*2 两因素独立方差分析 变量： 自变量1： 企业文化（个人努力VS团队合作），自变量2： 语言风格（优柔寡断VS斩钉截铁） 因变量：管理能力得分 PS：此处为了减少数据转换操作，故直接采用长数据格式。 2. Python代码 import pandas as pd from statsmodels.stats.multicomp import pairwise_tukeyhsd from statsmodels.formula.api import ols from statsmodels.stats.anova import anova_lm from scipy import stats def general_data(): # 为了减少转换这里直接给了长数据，指定第0列（表中第1列）为索引列 df_two_way = pd.read_excel('./excel/不同企业文化下不同语言风格对管理的影响.xlsx', index_col=0) print("df_two_way=\n", df_two_way) # 制定各列的变量名，如不指定则直接用表头 # df_two_way.columns = ['企业文化', '语言风格', '管理能力得分'] return df_two_way def two_way_anova(df_two_way): # 包括两个主效应和一个交互效应 formula = '管理能力得分 ~ C(企业文化) + C(语言风格) + C(企业文化) : C(语言风格)' model_two_way = ols(formula, df_two_way).fit() anova_table = anova_lm(model_two_way) print("=======输出方差分析表=======") # print(anova_table) for i in range(3): # 将科学计数法转换为小数并只保留3位小数，和SPSS输出结果一致 anova_table["PR(>F)"][i] = format(anova_table["PR(>F)"][i], ".3f") print(anova_table) # 读取交互效应行，如果显著，进行下一步，简单效应分析 int_p = anova_table["PR(>F)"]["C(企业文化):C(语言风格)"] print("交互作用p值=", int_p) if float(int_p) < 0.05: print("p值小于0.05，交互效应显著，要进行简单效应分析") return True # 由于没有找到现成的方案，所以考虑对表格进行拆分，如果交互作用显著， # 则读取表格中的某一变量的某个水平下的所有数据，然后进行t校验 # 这是自己写的一个简单的算法，如有更好的方法欢迎赐教 def simple_effect_analysis(check, melt_data): dependent = "管理能力得分" # 交互效应存在，进行简单效应分析，否则跳过 if check: # 简单效应分析需要分别 # 检测企业文化为"个人努力"下的不同语言风格差异， # 以及企业文化为"团队合作"下的不同语言风格差异， # 分别对两种情况进行t检验即可 groups = melt_data.groupby(melt_data.企业文化) for company_culture in ["个人努力", "团队合作"]: melt_data = groups.get_group(company_culture) # print(melt_data) # 分别比较在不同企业文化下，不同语言风格对管理能力得分影响的差异 print("\n=======%s企业文化下不同语言风格t检验分析结果=========" % company_culture) t_test(melt_data) def t_test(melt_data): melt_data = melt_data[['语言风格', '管理能力得分']] # print("melt_data=\n", melt_data) groups = melt_data.groupby(melt_data.语言风格) a_group = groups.get_group("优柔寡断") # print("a_group=\n", a_group) b_group = groups.get_group("斩钉截铁") # print("b_group=\n", b_group) t_value, p_value = stats.ttest_ind(a=a_group['管理能力得分'], b=b_group['管理能力得分']) # T = (样本均值 - 总体均值或另一样本均值) / (标准误差) print(f"T值：{t_value:.3f}, p值：{p_value:.3f}") data = general_data() simple_effect_analysis(two_way_anova(data), data) 3. 结果 3.1 运行以上代码，会出现如下结果 3.1.1 两因素独立方差分析输出结果
由于它这里对得不是很齐，所以我把p值圈了出来，可以看到有两个主效应的p值和一个交互效应的p值，其中企业文化主效应不显著，其他两个显著。 我的代码检测到交互作用p值小于0.05，就自动进入简单效应分析。 可以和SPSS的输出结果对比下： 中文版：
英文版：
由于没有找到现成的方案来做简单效应分析，所以考虑对表格进行拆分，如果交互作用显著，则读取表格中的某一变量的某个水平下的所有数据，然后进行t检验。 代码中呈现的是自己写的简单算法，如有错误或更好的方法欢迎赐教。
补充，T值的公式为： T = (样本均值 - 总体均值或另一样本均值) / (标准误差) SPSS中的输出：
这里SPSS是采用了语法编辑器中的COMPARE语句，因为没有直接的成对比较方法。 可以看出，在不同企业文化下，不同语言风格的管理能力得分均存在显著差异。 4. 详细分析 4.1 方差分析 4.1.1 python代码 def general_data(): # 为了减少转换这里直接给了长数据，指定第0列（表中第1列）为索引列 df_two_way = pd.read_excel('./excel/不同企业文化下不同语言风格对管理的影响.xlsx', index_col=0) print("df_two_way=\n", df_two_way) # 制定各列的变量名，如不指定则直接用表头 # df_two_way.columns = ['企业文化', '语言风格', '管理能力得分'] return df_two_way def two_way_anova(df_two_way): # 包括两个主效应和一个交互效应 formula = '管理能力得分 ~ C(企业文化) + C(语言风格) + C(企业文化) : C(语言风格)' model_two_way = ols(formula, df_two_way).fit() anova_table = anova_lm(model_two_way) print("=======输出方差分析表=======") # print(anova_table) for i in range(3): # 将科学计数法转换为小数并只保留3位小数，和SPSS输出结果一致 anova_table["PR(>F)"][i] = format(anova_table["PR(>F)"][i], ".3f") print(anova_table) # 读取交互效应行，如果显著，进行下一步，简单效应分析 int_p = anova_table["PR(>F)"]["C(企业文化):C(语言风格)"] print("交互作用p值=", int_p) if float(int_p) < 0.05: print("p值小于0.05，交互效应显著，要进行简单效应分析") return True这里我首先使用 4.1.2 SPSS操作
把自变量和因变量放入对应位置，点击确认即可
同样描述统计和齐性检验那些可以在选项里面选择，这里不选择，输出可以纯粹一点，结果见开头，不再重复贴出。 4.2 简单效应分析 4.2.1 Python代码 # 由于没有找到现成的方案，所以考虑对表格进行拆分，如果交互作用显著， # 则读取表格中的某一变量的某个水平下的所有数据，然后进行t校验 # 这是自己写的一个简单的算法，如有更好的方法欢迎赐教 def simple_effect_analysis(check, melt_data): dependent = "管理能力得分" # 交互效应存在，进行简单效应分析，否则跳过 if check: # 简单效应分析需要分别 # 检测企业文化为"个人努力"下的不同语言风格差异， # 以及企业文化为"团队合作"下的不同语言风格差异， # 分别对两种情况进行t检验即可 groups = melt_data.groupby(melt_data.企业文化) for company_culture in ["个人努力", "团队合作"]: melt_data = groups.get_group(company_culture) # print(melt_data) # 分别比较在不同企业文化下，不同语言风格对管理能力得分影响的差异 print("\n=======%s企业文化下不同语言风格t检验分析结果=========" % company_culture) t_test(melt_data) def t_test(melt_data): melt_data = melt_data[['语言风格', '管理能力得分']] # print("melt_data=\n", melt_data) groups = melt_data.groupby(melt_data.语言风格) a_group = groups.get_group("优柔寡断") # print("a_group=\n", a_group) b_group = groups.get_group("斩钉截铁") # print("b_group=\n", b_group) t_value, p_value = stats.ttest_ind(a=a_group['管理能力得分'], b=b_group['管理能力得分']) # T = (样本均值 - 总体均值或另一样本均值) / (标准误差) print(f"T值：{t_value:.3f}, p值：{p_value:.3f}") simple_effect_analysis()函数中，有两步关键的数据拆分，详细说明如下， """ df_two_way= 企业文化 语言风格 管理能力得分 被试 1 个人努力 优柔寡断 3.1 2 个人努力 优柔寡断 3.0 3 个人努力 优柔寡断 3.2 4 个人努力 斩钉截铁 4.7 5 个人努力 斩钉截铁 4.6 6 个人努力 斩钉截铁 4.8 7 团队合作 优柔寡断 4.5 8 团队合作 优柔寡断 4.4 9 团队合作 优柔寡断 4.6 10 团队合作 斩钉截铁 3.5 11 团队合作 斩钉截铁 3.4 12 团队合作 斩钉截铁 3.6 """ # 将该数据按企业文化分组，然后按照对应的值，拆分为两个df格式的数据 def split_data(df_two_way): groups = df_two_way.groupby(df_two_way.企业文化) person_df = groups.get_group("个人努力") team_df = groups.get_group("团队合作") print(person_df) print(team_df) # 即可得到 """ 企业文化 语言风格 管理能力得分 被试 1 个人努力 优柔寡断 3.1 2 个人努力 优柔寡断 3.0 3 个人努力 优柔寡断 3.2 4 个人努力 斩钉截铁 4.7 5 个人努力 斩钉截铁 4.6 6 个人努力 斩钉截铁 4.8 """ # 以及 """ 企业文化 语言风格 管理能力得分 被试 7 团队合作 优柔寡断 4.5 8 团队合作 优柔寡断 4.4 9 团队合作 优柔寡断 4.6 10 团队合作 斩钉截铁 3.5 11 团队合作 斩钉截铁 3.4 12 团队合作 斩钉截铁 3.6 """然后t_test也用了相同的方式处理。 4.2.2 SPSS中的简单效应分析据我所知，SPSS中没有直接的点击操作可以进行简单效应分析，所以这部分要进入语法编辑器中进行操作。 在之前的方差分析页面中，点击Paste
即可进入语法编辑器窗口
然后我们在中间加一句：/EMMEANS=TABLES(企业文化*语言风格) COMPARE(语言风格)ADJ(LSD) DATASET ACTIVATE DataSet1. UNIANOVA 管理能力得分 BY 企业文化 语言风格 /METHOD=SSTYPE(3) /INTERCEPT=INCLUDE /EMMEANS=TABLES(企业文化*语言风格) COMPARE(语言风格)ADJ(LSD) /CRITERIA=ALPHA(0.05) /DESIGN=企业文化 语言风格 企业文化*语言风格. /EMMEANS=TABLES(企业文化*语言风格) COMPARE(语言风格)ADJ(LSD)：这部分是关于估计边际平均数（EMMEANS）的命令，用于生成交叉表，比较不同组之间的平均数，并使用LSD（最小显著差异）方法进行多重比较。
点击顶部的绿色三角即可运行，注意光标要放在代码块中。 输出结果如下： 中文版：
英文版：
END |
【本文地址】