排総研ブログ

例題 コクランの Q 検定による排泄ケアの標本分散の比較 ある病院では、 3 つの異なる排泄ケアトレーニングプログラムを実施し、それぞれのプログラムの有効性を調査します。看護師たちに対して、 3 つのトレーニングプログラムを実施し、それぞれのプログラム後の排泄ケア満足度の分散を調査しました。 データ •プログラム A 後の排泄ケア満足度（分散）　 � 12=5.0S12=5.0 •プログラム B 後の排泄ケア満足度（分散）　 � 22=4.5S22=4.5 •プログラム C 後の排泄ケア満足度（分散）　 � 32=6.0S32=6.0 この例題の解析手順を Python コードで作成し、結果の解釈を示してください。   コクランの Q 検定を用いて、 3 つの異なるトレーニングプログラムの排泄ケア満足度の分散が等しいかどうかを評価する Python コードを以下に示します。 import scipy.stats as stats   # データ data_program_A = [1, 2, 3, 4, 5]   # プログラム A のデータセットを入力してください data_program_B = [1, 2, 3, 4, 5]   # プログラム B のデータセットを入力してください data_program_C = [1, 2, 3, 4, 5]   # プログラム C のデータセットを入力してください   # 仮説の設定 null_hypothesis = "all"   # 帰無仮説　 3 つの標本の分散は等しい   # 分散分析 statistic, p_value = stats.f_oneway(data_program_A, data_program_B, data_program_C)   # 結果の出力 print(f" 検定統計量　 {statistic}") print(f"P 値　 {p_value}")   # 有意水準 0.05 での検定 alpha = 0.05 if p_value < alpha ...

例題 1 標本母比率検定による排泄ケアの効果評価 ある病院では、新しい排泄ケアトレーニングプログラムが導入され、その結果として看護師の排泄ケア満足度が向上したかどうかを調査します。トレーニング後の看護師全体の排泄ケア満足度についてのデータがあります。 データ •看護師全体でのトレーニング後の排泄ケアに満足している人数　 30 人 •看護師全体でのトレーニング後の総数　 40 人 この例題の解析手順を Python コードで作成し、結果の解釈を示してください。   1 標本母比率検定を用いて、トレーニング後の看護師全体の排泄ケアに対する満足度に有意な変化があるかどうかを評価する Python コードを以下に示します。 import scipy.stats as stats # データ satisfied_count = 30   # 満足している看護師の人数 total_count = 40   # 看護師の総数 # 仮説の設定 null_hypothesis = 0.5   # 帰無仮説　 満足度が変化していない（母比率は 0.5 ） # 1 標本母比率検定 statistic, p_value = stats.binom_test(satisfied_count, total_count, null_hypothesis) # 結果の出力 print(f" 検定統計量　 {statistic}") print(f"P 値　 {p_value}") # 有意水準 0.05 での検定 alpha = 0.05 if p_value < alpha 　     print(" 帰無仮説を棄却　 有意な差がある ") else 　     print(" 帰無仮説を採択　 有意な差がない ") 出力結果   このコードでは、 binom_test 関数を使用して 1 標本母比率検定を行っています。帰無仮説は、トレーニング後の看護師全体の排泄ケアに対する満足度が変化していないというものです。結果の P 値が有意水準（ここでは 0.05 ）より...

例題 マクネマー検定による排泄ケア満足度の効果評価 ある病院では、新しい排泄ケアトレーニングプログラムが導入され、その結果として看護師の排泄ケア満足度が向上したかどうかを調査します。同じ看護師に対して、トレーニング前とトレーニング後の満足度についてのデータがあります。 データ • 25 人の看護師に対してトレーニング前後での満足度を記録。 •満足した　　　（トレーニング前 12 人 , トレーニング後 18 人） •満足しなかった（トレーニング前 13 人 , トレーニング後 7 人） マクネマー検定を使用して、トレーニング前後で看護師の排泄ケア満足度に有意な差があるかどうかを評価します。マクネマー検定は、 2 つの関連したサンプル間でカテゴリカルな変数の変化を評価するための統計テストです。 まず、マクネマー検定の帰無仮説と対立仮説を設定します。 帰無仮説（ H0 ）　トレーニング前後で満足度に差がない 対立仮説（ H1 ）　トレーニング前後で満足度に差がある from statsmodels.stats.contingency_tables import mcnemar # データ before_satisfied = 12 before_unsatisfied = 13 after_satisfied = 18 after_unsatisfied = 7 # データの準備 before = [[before_satisfied, before_unsatisfied], [0, 0]] after = [[after_satisfied, after_unsatisfied], [0, 0]] # マクネマー検定の実行 result = mcnemar(before, after) # 結果の出力 print(" 検定統計量　 ", result.statistic) print("p 値　 ", result.pvalue) # 有意水準 0.05 での検定 alpha = 0.05 if result.pvalue < alpha 　     print(" 帰無仮説を棄却　 トレー...

例題 対応のない場合の母比率の差の検定 ある病院では、新しい排泄ケアトレーニングプログラムが導入され、その結果として看護師の排泄ケア満足度が向上したかどうかを調査します。新プログラムを受けた看護師群と受けていない看護師群について、満足度に関するデータがあります。 新プログラムを受けた看護師　 •満足した　 25 人 •満足しなかった　 15 人 未プログラムの看護師　 •満足した　 18 人 •満足しなかった　 22 人 対応のない場合の母比率の差の検定には、独立 2 群の比率の差の検定を使用できます。以下はその手順と Python コードの例です。 帰無仮説（ H0 ）　 新プログラムを受けた看護師の満足度と未プログラムの看護師の満足度には差がない（母比率の差はゼロである） 対立仮説（ H1 ）　 新プログラムを受けた看護師の満足度と未プログラムの看護師の満足度には差がある（母比率の差はゼロでない）   import statsmodels.api as sm import numpy as np # データ satisfied_new_program = 25 unsatisfied_new_program = 15 satisfied_old_program = 18 unsatisfied_old_program = 22 # 各群の観測数 n1 = satisfied_new_program + unsatisfied_new_program n2 = satisfied_old_program + unsatisfied_old_program # 各群の成功数 x1 = satisfied_new_program x2 = satisfied_old_program # 母比率の差の検定 z, p_value = sm.stats.proportions_ztest([x1, x2], [n1, n2]) # 結果の表示 print(f"Z 値　 {z}") print(f"P 値　 {p_value}") # 有意水準 0.05 で帰無仮説を棄却できるか判定 alpha ...

例題 母比率の差の検定による排泄ケアの効果評価 ある病院では、新しい排泄ケアトレーニングプログラムが導入され、その結果として患者のケア満足度が向上したかどうかを調査します。ある期間で新プログラムを受けた患者群と受けていない患者群の満足度についてデータがあります。以下は新プログラム受けた患者と受けていない患者の満足度に関するデータです。 新プログラムを受けた患者 •満足した　 40 人 •満足しなかった　 10 人 新プログラムを受けていない患者 •満足した　 25 人 •満足しなかった　 15 人 この場合、母比率の差の検定を使用して、新プログラム導入による満足度の変化を評価することができます。母比率の差の検定では、 2 つの比率の差が統計的に有意かどうかを検証します。   まず、以下は Python コードの例です。ここでは、母比率の差の信頼区間を求めるために proportions_ztest 関数を使用します。また、帰無仮説と対立仮説は以下の通りです。   帰無仮説 (H0) 　 新プログラムを受けた患者群と受けていない患者群の満足率に有意な差がない 対立仮説 (H1) 　 新プログラムを受けた患者群と受けていない患者群の満足率に有意な差がある from statsmodels.stats.proportion import proportions_ztest # データ satisfied_program = 40 unsatisfied_program = 10 satisfied_no_program = 25 unsatisfied_no_program = 15 # 検定 count = [satisfied_program, satisfied_no_program] nobs = [satisfied_program + unsatisfied_program, satisfied_no_program + unsatisfied_no_program] # 帰無仮説　 満足率に有意な差がない # 対立仮説　 満足率に有意な差がある stat, p_value = proportions_ztest(count, ...

例題 同等性試験による排泄ケア時間の比較 ある病院で、新しい排泄ケアトレーニングプログラムが導入され、その結果として看護師の排泄ケア時間が変化したかどうかを調査します。 10 人の看護師がトレーニング前とトレーニング後の排泄ケア時間に関するデータを提供しました。同等性試験により、トレーニング前とトレーニング後の平均時間が同等であるかどうかを検討します。 トレーニング前のデータ X=[28,32,25,30,35,28,29,31,27,33] トレーニング後のデータ Y=[24,30,22,28,31,26,27,29,23,32] 帰無仮説 0H0 　 トレーニング前とトレーニング後の平均排泄ケア時間が同等である 対立仮説 1H1 　 トレーニング前とトレーニング後の平均排泄ケア時間が同等でない ここでは同等性試験により、帰無仮説を検討するが、その手順を Python コードで作成し、結果の解釈を示してください。   同等性試験には様々な手法がありますが、ここでは 2 群の t 検定による同等性試験（等分散性を仮定した場合）を行う Python コードを示します。なお、この例では等分散性を仮定していますが、実際のデータによっては等分散でない場合もあるため、その場合は Welch の t 検定や Levene の検定などを検討する必要があります。 from scipy.stats import ttest_ind # トレーニング前のデータ before_training = [28, 32, 25, 30, 35, 28, 29, 31, 27, 33] # トレーニング後のデータ after_training = [24, 30, 22, 28, 31, 26, 27, 29, 23, 32] # 帰無仮説と対立仮説 # 帰無仮説　 トレーニング前とトレーニング後の平均排泄ケア時間が同等である # 対立仮説　 トレーニング前とトレーニング後の平均排泄ケア時間が同等でない null_hypothesis = " トレーニング前とトレーニング後の平均排泄ケア時間が同等である " alternative_hypothesis = " トレーニング前とトレーニン...

例題 1 標本母平均検定（ 1 群 t 検定）による排泄ケア時間の比較 ある病院で行われている排泄ケアの所要時間について、新しいトレーニングプログラムの導入前と導入後で変化があったかを調査します。 10 人の看護師のトレーニング前のデータを使用し、その平均時間が変化したかどうかを 1 標本母平均検定によって確認します。 トレーニング前のデータ X=[28,32,25,30,35,28,29,31,27,33] 帰無仮説 　 トレーニングプログラムの導入前の平均排泄ケア時間は変化していない 対立仮説 　 トレーニングプログラムの導入前の平均排泄ケア時間は変化している 1 群 t 検定による Python コードを示し、計算結果を解釈してください。   Python を使用して 1 群 t 検定を行うためのコードは以下の通りです。このコードでは、 SciPy という科学計算ライブラリを使用しています。 import numpy as np from scipy import stats   # トレーニング前のデータ X = np.array([28,32,25,30,35,28,29,31,27,33])   # 帰無仮説の平均値（変化していないと仮定） mu_0 = np.mean(X)   # データの平均値 mean_X = np.mean(X)   # 1 群 t 検定 t_stat, p_value = stats.ttest_1samp(X, mu_0)   print(f" 帰無仮説の値　 {mu_0}") print(f" データの平均値　 {mean_X}") print(f"t 統計量　 {t_stat}") print(f"p 値　 {p_value}") 実行結果 帰無仮説の値　 29.8 データの平均値　 29.8 t 統計量　 0.0 p 値　 1.0   この例題は不思議なことに「なぜ、トレーニング前のデータのみしか分からないのに、トレーニングプログラムの導入後の平均排泄ケア時間が変化しているのが解るのか？不思...

例題 ある病院で、新しい排泄ケアトレーニングプログラムが導入され、その結果として看護師の排泄ケア時間が変化したかどうかを調査します。 10 人の看護師がトレーニング前とトレーニング後の排泄ケア時間に関するデータを提供しました。以下はデータと帰無仮説・対立仮説です。 トレーニング前のデータ X=[28,32,25,30,35,28,29,31,27,33] トレーニング後のデータ Y=[24,30,22,28,31,26,27,29,23,32] 帰無仮説 　 トレーニングプログラムの導入後、看護師の排泄ケア時間に変化がない 対立仮説 　 トレーニングプログラムの導入後、看護師の排泄ケア時間が減少した ここでは、母分散が既知であると仮定して Z 検定を行う手順に従って python コードを示し、その計算を行い、結果を解釈してください。   Z 検定を行うには、母分散が既知であると仮定しているため、 Z 検定のステップを踏むことができます。以下に Python コードを示します。 import numpy as np from scipy.stats import norm # トレーニング前のデータ before_training = np.array([28, 32, 25, 30, 35, 28, 29, 31, 27, 33]) # トレーニング後のデータ after_training = np.array([24, 30, 22, 28, 31, 26, 27, 29, 23, 32]) # 帰無仮説と対立仮説 # 帰無仮説　 トレーニングプログラムの導入後、看護師の排泄ケア時間に変化がない # 対立仮説　 トレーニングプログラムの導入後、看護師の排泄ケア時間が減少した null_hypothesis_mean = 0   # 帰無仮説の平均の差（変化がない場合） alternative_hypothesis_mean = before_training.mean() - after_training.mean()   # 対立仮説の平均の差 # 有意水準 alpha = 0.05 # Z 検定統計量の計算 z_statistic = (b...

例題 ある病院で、新しい排泄ケアトレーニングプログラムが導入され、その結果として看護師の排泄ケア時間が変化したかどうかを調査します。 10 人の看護師がトレーニング前とトレーニング後の排泄ケア時間に関するデータを提供しました。 トレーニング前のデータ X=[28,32,25,30,35,28,29,31,27,33] トレーニング後のデータ Y=[24,30,22,28,31,26,27,29,23,32] 帰無仮説 　 トレーニングプログラムの導入後、看護師の排泄ケア時間に変化がない 対立仮説 　 トレーニングプログラムの導入後、看護師の排泄ケア時間が減少した ここでは、ウェルチの t 検定を使用した Python コードを示し、そこで計算を行い、結果を解釈してください。   ウェルチの t 検定（ Welch's t-test ）を使用した Python コードを以下に示します。 from scipy.stats import ttest_ind #  トレーニング前のデータ before_training = [28, 32, 25, 30, 35, 28, 29, 31, 27, 33] #  トレーニング後のデータ after_training = [24, 30, 22, 28, 31, 26, 27, 29, 23, 32] #  ウェルチの t 検定を実行 t_statistic, p_value = ttest_ind(before_training, after_training, equal_var=False) #  結果の表示 print(" ウェルチの t 検定 ") print("t 統計量＝ ", t_statistic) print("p 値＝ ", p_value) 出力結果 ウェルチの t 検定 t 統計量＝  1.8027756377319955 p 値＝  0.08846786652384836   計算結果の解釈としては、 t 統計量は、トレーニング前後のデータの平均値の差を示します。 p 値は、帰無仮説（「トレーニングプログラムの導入後、看護師の排泄ケア時間に変化がない」）が正しい確率を示します。 結果を確認すると、 p 値が有意水準（通常は ...