EmpezarEmpieza gratis

Tamaño del efecto para medias

Muchas empresas con capital de riesgo reciben más de una ronda de financiación. En general, la segunda ronda es mayor que la primera. ¿Qué efecto tiene exactamente el número de ronda en la financiación media? Puedes cuantificarlo con el d de Cohen.

Recuerda que, para calcular el d de Cohen, primero necesitas calcular la desviación estándar combinada (pooled). Viene dada por la ecuación

Luego, el d de Cohen viene dado por:

Ya tienes cargado un DataFrame con inversiones de capital riesgo (investments_df), además de los paquetes pandas como pd, NumPy como np y stats de SciPy. La columna funding_total_usd muestra la financiación total recibida en esa ronda.

Este ejercicio forma parte del curso

Fundamentos de la inferencia en Python

Ver curso

Instrucciones del ejercicio

  • Filtra investments_df para seleccionar por separado los funding_rounds 1 y 2.
  • Calcula la desviación estándar y el tamaño muestral de cada ronda.
  • Calcula la desviación estándar combinada entre las dos rondas.
  • Calcula el d de Cohen usando los términos que acabas de calcular.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Select all investments from rounds 1 and 2 separately
round1_df = investments_df[____['funding_rounds'] == ____]
round2_df = investments_df[____['funding_rounds'] == ____]

# Calculate the standard deviation of each round and the number of companies in each round
round1_sd = ____.std()
round2_sd = ____.std()
round1_n = ____.shape[0]
round2_n = ____.shape[0]

# Calculate the pooled standard deviation between the two rounds
pooled_sd = np.sqrt(((____ - 1) * ____ ** 2 + (____ - 1) *____ ** 2) / (____ + ____ - 2))

# Calculate Cohen's d
d = (____.mean() - ____.mean()) / ____
Editar y ejecutar código