Correction de Bonferroni-Holm
Vous avez vu que comparer de nombreux jeux de données différents, même générés aléatoirement, peut produire des « relations statistiquement significatives » qui n’en sont pas vraiment ! Une manière d’y remédier consiste à appliquer une correction à l’alpha de votre niveau de confiance. Dans cet exercice, vous allez voir pourquoi vous devriez appliquer cette correction et comment le faire.
Les 1000 valeurs p que vous avez calculées dans l’exercice précédent ont été chargées pour vous dans un tableau NumPy p_values, et le paquet NumPy est disponible sous le nom np.
Cet exercice fait partie du cours
<cours>Fondements de l’inférence en Python</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Compute the Bonferonni-corrected alpha
bonf_alpha = ____
# Check how many p-values were significant at this level
____