仮説検定において、0.05、0.01、0.10 のようなアルファ（$\alpha$）水準の役割を最もよく表しているのはどれですか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
実験計画の知識を身につけることで、ベストプラクティスに基づく分析手法で仮説を検証し、成果のリスクを定量化できるようになります。まず、実験計画とは何かという土台を固め、blocking や stratification などの代表的な設計を学びます。次に、実験データの正規性を確認するための可視化と分析による検定を適用します。
factorial design、randomized block design、共変量調整に焦点を当て、発展的な実験計画のテクニックを掘り下げます。これらの方法は、実験結果の精度、効率、解釈可能性を高めるうえで重要です。理論的な洞察と実践的な応用を組み合わせて、さまざまな分野の研究で複雑な実験を設計・実装・解析するためのスキルを身につけます。
t検定、ANOVA、カイ二乗検定といった統計検定を習得し、事後解析や検出力分析の要点を深く学びます。適切な検定の選び方、p値と誤りの解釈、検出力分析によるサンプルサイズと効果量の見積もりを身につけ、Python の強力なライブラリを活用してデータから洞察を引き出します。
現在の演習
実験データ解析の複雑性に踏み込みます。pandas を使って洞察を総合し、scipy.stats で異分散などのデータ課題に対処し、Mann-Whitney U などのノンパラメトリック検定を適用します。さらに、複雑なデータを変換・可視化・解釈する追加テクニックを学び、さまざまな実験設定で堅牢な分析を行う力を高めます。
