Permutační testy a bootstrapping

Kdy použít permutační test a kdy bootstrapovaný interval spolehlivosti? Každá karta níže popisuje konkrétní situaci – tvým úkolem je přiřadit ji k nejvhodnější technice.

Toto cvičení je součástí kurzu

Základy statistické inference v Pythonu

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Základy statistické inference v Pythonu

SkillTag.level.advancedSkillTag.label

4.9+

230 reviews

Začněte kurz zdarma

V této kapitole prozkoumáme vztah mezi vzorky a statisticky opodstatněnými závěry. Výběr vzorku je základem správných statistických rozhodnutí a ukážeme si, jak volba vzorku ovlivňuje výsledek tvé inference.

Exercise 1: Statistická inference a náhodný výběr Exercise 2: Vzorkování a bodové odhady Exercise 3: Opakované vzorkování, bodové odhady a inference Exercise 4: Výběr vzorků a zkreslení Exercise 5: Vizualizace vzorků Exercise 6: Inference a zkreslení Exercise 7: Intervaly spolehlivosti a vzorkování Exercise 8: Normální rozdělení výběrových průměrů Exercise 9: Výpočet intervalů spolehlivosti Exercise 10: Vyvozování závěrů z výběrových vzorků

Naučíš se aplikovat testy normality, testy korelace a parametrické i neparametrické testy pro spolehlivou inferenci. Testy hypotéz jsou nástroje a zvolit ten správný nástroj pro danou situaci je klíčové pro statistické rozhodování. I když některé z těchto testů možná znáš z úvodních kurzů, v této kapitole půjdeme do hloubky a tvou inferenční sadu nástrojů výrazně rozšíříme.

Exercise 1: Testy normality Exercise 2: Testování normality Exercise 3: Rozdělení chyb Exercise 4: Přizpůsobení normálního rozdělení Exercise 5: Testy korelace Exercise 6: Testování korelace Exercise 7: Autokorelace Exercise 8: Vysvětlená variance Exercise 9: Parametrické testy Exercise 10: Rovnost rozptylů Exercise 11: Normalita skupin Exercise 12: ANOVA Exercise 13: Neparametrické testy Exercise 14: Porovnávání pořadí Exercise 15: Porovnávání mediánů

V této kapitole budeš měřit a interpretovat velikost účinku v různých situacích, setkáš se s problémem mnohonásobného porovnávání a podrobně prozkoumáš sílu testu. Zatímco p-hodnoty ti řeknou, zda je přítomen statisticky významný efekt, neřeknou ti, jak silný tento efekt je. Velikost účinku měří, jak silný vliv má daná intervence. V této kapitole si důkladně osvojíš faktory, které velikost účinku ovlivňují.

Exercise 1: Velikost účinku Exercise 2: Velikost efektu pro průměry Exercise 3: Velikost účinku pro korelace Exercise 4: Velikost účinku pro kategoriální proměnné Exercise 5: Mnohonásobné porovnávání a korekce Exercise 6: Problém mnohonásobného porovnávání Exercise 7: Bonferonni-Holmova korekce Exercise 8: Síla testu Exercise 9: Co to vlastně je síla testu?Exercise 10: Síla testu pro návrh experimentu Exercise 11: Výpočet síly testu a velikosti vzorku

Svou sadu nástrojů pro inferenční statistiku dále rozšíříš o bootstrapping, permutační testy a metody kombinování důkazů z p-hodnot. Bootstrapping ti poskytne první pohled na statistickou simulaci. V lekci věnované metaanalýze se naučíš vše o kombinování výsledků z více studií. Kurz zakončíš permutačními testy — výkonným a flexibilním neparametrickým statistickým nástrojem.

Exercise 1: Bootstrapping Exercise 2: Bootstrapové intervaly spolehlivosti Exercise 3: Bootstrapping vs. normalita Exercise 4: Kombinování důkazů z p-hodnot Exercise 5: Fisherova metoda v SciPy Exercise 6: Inference pomocí Fisherovy metody Exercise 7: Shrnutí Fisherovy metody Exercise 8: Permutační testy Exercise 9: Permutační testy pro korelace Exercise 10: Permutační testy a bootstrapping

Aktuální cvičení

Exercise 11: Analýza zešikmených dat pomocí permutačního testu Exercise 12: Závěrečné video kurzu