Trarre conclusioni dai campioni

Hai visto come il campionamento casuale possa essere usato per scegliere un campione di dati (si spera!) rappresentativo della popolazione che stai studiando. Hai anche visto come il bias nelle procedure di campionamento possa portare a conclusioni dubbie nel migliore dei casi e completamente sbagliate nel peggiore.

In questo esercizio analizzerai il prezzo di chiusura medio dell'S&P 500. Se prendi due campioni diversi di giorni di trading e calcoli per ciascuno gli intervalli di confidenza, dovresti aspettarti lo stesso risultato? È il momento di scoprirlo!

Questo esercizio fa parte del corso

Fondamenti dell'inferenza in Python

Visualizza corso

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Sample 1: Select a random sample of 500 rows
sample_df = ____.sample(n=____)

# Compute a 95% confidence interval for the closing price of SP500
sample_ci = stats.____.____(alpha=____, 
                            loc=____.mean(), 
                            scale=____.std()/np.sqrt(____))

print(sample_ci)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Fondamenti dell'inferenza in Python

AvançadoNível de habilidade

4.9+

Inizia il corso gratuitamente

In questo capitolo esploreremo la relazione tra campioni e conclusioni giustificabili dal punto di vista statistico. La scelta di un campione è la base per decisioni statistiche solide, e vedremo come questa scelta influenzi l’esito della tua inferenza.

Exercise 1: Inferenza statistica e campionamento casuale Exercise 2: Campionamento e stime puntuali Exercise 3: Campionamento ripetuto, stime puntuali e inferenza Exercise 4: Campionamento e bias Exercise 5: Visualizzare i campioni Exercise 6: Inferenza e bias Exercise 7: Intervalli di confidenza e campionamento Exercise 8: Distribuzioni campionarie normali Exercise 9: Calcolare gli intervalli di confidenza Exercise 10: Trarre conclusioni dai campioni

Esercizio attuale

Scopri come applicare test di normalità, test di correlazione e test parametrici e non parametrici per un'inferenza solida. I test di ipotesi sono strumenti, e scegliere quello giusto per il compito è cruciale per il decision making statistico. Anche se potresti conoscerne alcuni dai corsi introduttivi, qui andrai più a fondo per potenziare la tua cassetta degli attrezzi inferenziale.

Exercise 1: Test di normalità Exercise 2: Verifica della normalità Exercise 3: Distribuzione degli errori Exercise 4: Adattare una distribuzione normale Exercise 5: Test di correlazione Exercise 6: Verificare la correlazione Exercise 7: Autocorrelazione Exercise 8: Varianza spiegata Exercise 9: Test parametrici Exercise 10: Varianza uguale Exercise 11: Normalità dei gruppi Exercise 12: ANOVA Exercise 13: Test non parametrici Exercise 14: Confrontare le classifiche Exercise 15: Confrontare le mediane

In questo capitolo misurerai e interpreterai l’effect size in vari contesti, affronterai il problema dei confronti multipli ed esplorerai in profondità la potenza di un test. Mentre i p-value ti dicono se è presente un effetto significativo, non indicano quanto sia forte. L’effect size misura l’intensità dell’effetto di un trattamento. Padroneggia i fattori alla base dell’effect size in questo capitolo.

Exercise 1: Dimensione dell'effetto Exercise 2: Dimensione dell'effetto per le medie Exercise 3: Dimensione dell'effetto per le correlazioni Exercise 4: Dimensione dell'effetto per variabili categoriche Exercise 5: Confronti multipli e correzioni Exercise 6: Problema dei confronti multipli Exercise 7: Correzione di Bonferroni-Holm Exercise 8: Potenza di un test Exercise 9: Che cos’è la potenza, in pratica?Exercise 10: Potenza per la progettazione sperimentale Exercise 11: Calcolare potenza e dimensioni del campione

Amplierai ulteriormente la tua cassetta degli attrezzi per l'inferenza con un approfondimento su bootstrapping, test di permutazione e metodi per combinare le evidenze dai p-value. Il bootstrapping ti offrirà una prima introduzione alla simulazione statistica. Nella lezione sulla meta-analisi, imparerai a combinare i risultati di più studi. Concluderai con i test di permutazione, uno strumento statistico non parametrico potente e flessibile.

Exercise 1: Bootstrapping Exercise 2: Intervalli di confidenza bootstrap Exercise 3: Bootstrap vs. normalità Exercise 4: Combinare l'evidenza dai p-value Exercise 5: Metodo di Fisher in SciPy Exercise 6: Inferenza con il metodo di Fisher Exercise 7: Riepilogo del metodo di Fisher Exercise 8: Test di permutazione Exercise 9: Test di permutazione per le correlazioni Exercise 10: Test di permutazione e bootstrapping Exercise 11: Analizzare dati asimmetrici con un test di permutazione Exercise 12: Video di chiusura del corso