Cómo realizar la prueba de McNemar en Python

La prueba de McNemar se utiliza para determinar si existe una diferencia estadísticamente significativa en las proporciones entre los datos emparejados.

Este tutorial explica cómo realizar la prueba de McNemar en Python.

Ejemplo: prueba de McNemar en Python

Suponga que los investigadores quieren saber si un determinado video de marketing puede cambiar la opinión de la gente sobre una ley en particular. Encuestaron a 100 personas para averiguar si apoyan o no la ley. Luego, les muestran a las 100 personas el video de marketing y las vuelven a encuestar una vez que termina el video.

La siguiente tabla muestra el número total de personas que apoyaron la ley antes y después de ver el video:

Para determinar si hubo una diferencia estadísticamente significativa en la proporción de personas que apoyaron la ley antes y después de ver el video, podemos realizar la Prueba de McNemar.

Paso 1: crea los datos.

Primero, crearemos una tabla para contener nuestros datos:

datos = [[30, 40],
         [12, 18]]

Paso 2: Realice la prueba de McNemar

A continuación, podemos usar la función mcnemar () de la biblioteca de Python statsmodels, que usa la siguiente sintaxis:

mcnemar (tabla, exacto = verdadero, corrección = verdadero)

dónde:

• tabla: una tabla de contingencia cuadrada
• Exacto: si Exacto es verdadero, entonces se usará la distribución binomial. Si exacto es falso, entonces se usará la distribución Chi-Cuadrado
• corrección: si es verdadero, se utiliza una corrección de continuidad. Como regla general, esta corrección se aplica normalmente cuando cualquiera de los recuentos de celdas de la tabla es inferior a 5.

El siguiente código muestra cómo usar esta función en nuestro ejemplo específico:

de statsmodels.stats.contingency_tables import mcnemar

# Prueba de McNemar sin corrección de continuidad
imprimir (mcnemar (datos, exacto = falso))

pvalue 0.000181
estadística 14.019

# Prueba de McNemar con corrección de continuidad
imprimir (mcnemar (datos, exacto = falso, corrección = falso))

pvalue 0.000103
estadística 15.077

En ambos casos, ya sea que apliquemos la corrección de continuidad o no, el valor p de la prueba es menor que 0.05.

Esto significa que en ambos casos rechazaríamos la hipótesis nula y concluiríamos que la proporción de personas que apoyaron la ley antes y después de ver el video de marketing fue estadísticamente significativa diferente.

• https://r-project.org
• https://www.python.org/
• https://www.stata.com/