Tests de permutation et bootstrap

Quand devriez-vous utiliser un test de permutation et quand devriez-vous utiliser un intervalle de confiance par bootstrap? Chacune des cartes ci-dessous présente une situation, et on vous demande de les classer selon la meilleure technique à utiliser pour la situation décrite.

Cette activité fait partie du cours

Fondements de l'inférence en Python

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Fondements de l'inférence en Python

SkillTag.level.advancedSkillTag.label

4.9+

Commencer le cours gratuitement

Dans ce chapitre, nous explorerons le lien entre les échantillons et les conclusions statistiquement défendables. Le choix d'un échantillon est à la base de décisions statistiques solides, et nous verrons comment ce choix influence le résultat de votre inférence.

Exercise 1: Inférence statistique et échantillonnage aléatoire Exercise 2: Échantillonnage et estimateurs ponctuels Exercise 3: Échantillonnage répété, estimations ponctuelles et inférence Exercise 4: Échantillonnage et biais Exercise 5: Visualiser des échantillons Exercise 6: Inférence et biais Exercise 7: Intervalles de confiance et échantillonnage Exercise 8: Distributions d'échantillonnage normales Exercise 9: Calcul d'intervalles de confiance Exercise 10: Tirer des conclusions à partir d'échantillons

Apprenez à appliquer des tests de normalité, des tests de corrélation, ainsi que des tests paramétriques et non paramétriques pour une inférence fiable. Les tests d'hypothèses sont des outils, et choisir le bon outil pour la tâche est essentiel à la prise de décisions statistiques. Même si vous connaissez certains de ces tests grâce à des cours d'introduction, vous irez plus loin pour enrichir votre trousse d'outils d'inférence dans ce chapitre.

Exercise 1: Tests de normalité Exercise 2: Vérifier la normalité Exercise 3: Distribution des erreurs Exercise 4: Ajuster une distribution normale Exercise 5: Tests de corrélation Exercise 6: Mettre à l'épreuve la corrélation Exercise 7: Autocorrélation Exercise 8: Variance expliquée Exercise 9: Tests paramétriques Exercise 10: Variance égale Exercise 11: Normalité des groupes Exercise 12: ANOVA Exercise 13: Tests non paramétriques Exercise 14: Comparer des classements Exercise 15: Comparer des médianes

Dans ce chapitre, vous mesurerez et interpréterez la taille d'effet dans diverses situations, vous aborderez le problème des comparaisons multiples et explorerez en profondeur la puissance d'un test. Bien que les valeurs p indiquent si un effet significatif est présent, elles ne disent pas à quel point cet effet est fort. La taille d'effet mesure l'ampleur de l'effet d'un traitement. Maîtrisez les facteurs qui sous-tendent la taille d'effet dans ce chapitre.

Exercise 1: Taille de l'effet Exercise 2: Taille d'effet pour des moyennes Exercise 3: Taille d'effet pour les corrélations Exercise 4: Taille d'effet pour des variables catégorielles Exercise 5: Comparaisons multiples et corrections Exercise 6: Problème des comparaisons multiples Exercise 7: Correction de Bonferroni-Holm Exercise 8: La puissance d'un test Exercise 9: C'est quoi, la puissance, au juste?Exercise 10: Puissance et plan d'expérience Exercise 11: Calcul de la puissance et des tailles d'échantillon

Vous élargirez davantage votre trousse d'outils en statistiques inférentielles en explorant le bootstrap, les tests de permutation et les méthodes de combinaison des preuves issues des valeurs p. Le bootstrap vous offrira une première incursion dans la simulation statistique. Dans la leçon sur la méta-analyse, vous apprendrez à combiner les résultats de plusieurs études. Vous terminerez par un aperçu des tests de permutation, un outil statistique non paramétrique puissant et flexible.

Exercise 1: Bootstrap Exercise 2: Intervalles de confiance bootstrap Exercise 3: Bootstrap vs. normalité Exercise 4: Combiner des preuves à partir de valeurs p Exercise 5: Méthode de Fisher dans SciPy Exercise 6: Inférence avec la méthode de Fisher Exercise 7: Résumer la méthode de Fisher Exercise 8: Tests de permutation Exercise 9: Tests de permutation pour les corrélations Exercise 10: Tests de permutation et bootstrap

Exercice en cours

Exercise 11: Analyser des données asymétriques avec un test de permutation Exercise 12: Vidéo de conclusion du cours