Welke was gestratificeerd?

Je hebt twee DataFrames gekregen: df_1 en df_2. Je kunt ze in de console bekijken. Ze bevatten de kolommen 'salary', 'free_hours' en 'high_free_time', plus twee extra kolommen: 'Block' geeft aan aan welk experimenteel blok ze zijn toegewezen, en 'T_C' geeft aan of ze aan de treatment of control zijn toegewezen.

Welke DataFrame is gestratificeerd met betrekking tot de kolom 'high_free_time'?

Deze oefening maakt deel uit van de cursus

Experimenteel ontwerpen in Python

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Experimenteel ontwerpen in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

Kennis van experimenteel ontwerp stelt je in staat hypotheses te testen met best practices en het risico van je werk te kwantificeren. Je begint met de basis van wat experimenteel ontwerp is en verschillende opzetten zoals blokken en stratificatie. Daarna leer en pas je visuele en analytische toetsen voor normaliteit op experimentele data toe.

Exercise 1: Experimenten opzetten Exercise 2: Niet-willekeurige toewijzing van proefpersonen Exercise 3: Willekeurige toewijzing van proefpersonen Exercise 4: Opzet van experimentele data Exercise 5: Blokkeren van experimentele data Exercise 6: Stratificatie in een experiment Exercise 7: Welke was gestratificeerd?

Huidige oefening

Exercise 8: Normale data Exercise 9: Visuele normaliteit in een landbouwexperiment Exercise 10: Analytische normaliteit in een landbouwexperiment

Je gaat aan de slag met geavanceerde technieken voor experimenteel ontwerp, met focus op factoriële ontwerpen, gerandomiseerde blokontwerpen en covariabele-aanpassingen. Deze methoden zijn cruciaal om de nauwkeurigheid, efficiëntie en uitlegbaarheid van experimentele resultaten te verbeteren. Met een combinatie van theoretische inzichten en praktische toepassingen ontwikkel je de vaardigheden om complexe experimenten te ontwerpen, uit te voeren en te analyseren in uiteenlopende onderzoeksdomeinen.

Exercise 1: Factoriële designs: principes en toepassingen Exercise 2: Inzicht in de effectiviteit van marketingcampagnes Exercise 3: Heatmap van campagne-interacties Exercise 4: Factorieel ontwerp en gerandomiseerd blokontwerp Exercise 5: Gerandomiseerd blokontwerp: variantie beheersen Exercise 6: Een gerandomiseerd blokdesign implementeren Exercise 7: Productiviteit per blok visualiseren naar incentive Exercise 8: ANOVA binnen blokken van werknemers Exercise 9: Covariaataanpassing in experimenteel ontwerp Exercise 10: Het belang van covariaten Exercise 11: Covariaataanpassing bij kuikengroei

Beheers statistische toetsen zoals t-toetsen, ANOVA en Chi-kwadraat, en duik diep in post-hocanalyses en de basis van poweranalyse. Leer de juiste toets kiezen, p-waarden en fouten interpreteren en vaardig poweranalyses uitvoeren om steekproef- en effectgroottes te bepalen, terwijl je gebruikmaakt van de krachtige Python-bibliotheken om je data-inzichten tot leven te brengen.

Exercise 1: De juiste statistische toets kiezen Exercise 2: De juiste test kiezen: petrochemie Exercise 3: De juiste test kiezen: human resources Exercise 4: De juiste test kiezen: finance Exercise 5: Post-hocanalyse na ANOVA Exercise 6: ANOVA voor angstbehandelingen Exercise 7: Tukey's HSD toepassen Exercise 8: Bonferroni-correctie toepassen Exercise 9: P-waarden, alfa en fouten Exercise 10: Duurzaamheid van speelgoed analyseren Exercise 11: Duurzaamheidsverschillen visualiseren Exercise 12: Rol van significantieniveaus Exercise 13: Poweranalyse: steekproefgrootte en effectgrootte Exercise 14: Doel van effectgrootte Exercise 15: Benodigde steekproefgrootte schatten voor energiestudie

Duik in de complexiteit van het analyseren van experimentele data. Leer inzichten te synthetiseren met pandas, dataproblemen zoals heteroscedasticiteit aan te pakken met scipy.stats en niet-parametrische toetsen zoals Mann-Whitney U toe te passen. Ontdek extra technieken om complexe data te transformeren, visualiseren en interpreteren, zodat je robuuste analyses kunt uitvoeren in verschillende experimentele contexten.

Exercise 1: Inzichten synthetiseren uit complexe experimenten Exercise 2: Het rendement van leninggoedkeuring visualiseren Exercise 3: Klanttevredenheid verkennen Exercise 4: Experimentele data effectief communiceren Exercise 5: Complexiteit in experimentele data aanpakken Exercise 6: Controleer op heteroscedasticiteit in houdbaarheid Exercise 7: Houdbaarheidsdata verkennen en transformeren Exercise 8: Niet-parametrische toetsen toepassen in experimentele analyses Exercise 9: Visualiseren en testen van conserveringsmethoden Exercise 10: Verdere analyse van voedselconserveringstechnieken Exercise 11: Gefeliciteerd!