Gelijke variantie

Verschillende sectoren krijgen verschillende hoeveelheden investeringen van durfkapitalisten (VC’s). Maar als je een steekproef van VC-investeringen bekijkt en licht verschillende gemiddelde investeringsbedragen ziet, is het dan redelijk om aan te nemen dat dit verschil statistisch significant is? Dit is een perfecte situatie voor ANOVA. Een belangrijke voorwaarde voor ANOVA is echter gelijke variantie tussen alle groepen steekproeven. In deze oefening test je dat met de Levene-test voor gelijke variantie.

Een pandas DataFrame met investeringen van drie sectoren (Biotechnology, Enterprise Software en Health Care) is voor je geladen in investments_df. De pakketten pandas als pd, NumPy als np, Matplotlib als plt, en het stats-pakket van SciPy zijn ook al geladen.

Deze oefening maakt deel uit van de cursus

Basis van inferentie in Python

Cursus bekijken

Oefeninstructies

Selecteer de financiering voor elke market afzonderlijk uit investments_df met de opgegeven kolomnamen.
Voer Levene-tests uit voor gelijke variantie tussen elk paar sectoren, in de volgende volgorde: (i) Biotechnology en Enterprise Software, (ii) Biotechnology en Health Care, en (iii) Enterprise Software en Health Care, overeenkomend met respectievelijk statistic1, statistic2 en statistic3.
Geef in elk geval een Boolean terug die aangeeft of de nulhypothese van gelijke variantie wordt verworpen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Select each industry separately
biotech_df = ____
enterprise_df = ____
health_df = ____

# Conduct Levene tests for equal variance between funding_total_usd for all pairs of industries
statistic_1, p_value_1 = ____
statistic_2, p_value_2 = ____
statistic_3, p_value_3 = ____

# Print if the p-value is significant at the 5% level
print(____)
print(____)
print(____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Basis van inferentie in Python

SkillTag.level.advancedSkillTag.label

4.9+

Begin de cursus gratis

In this chapter, we'll explore the relationship between samples and statistically justifiable conclusions. Choosing a sample is the basis of making sound statistical decisions, and we’ll explore how the choice of a sample affects the outcome of your inference.

Exercise 1: Statistical inference and random sampling Exercise 2: Sampling and point estimates Exercise 3: Repeated sampling, point estimates and inference Exercise 4: Sampling and bias Exercise 5: Visualizing samples Exercise 6: Inference and bias Exercise 7: Confidence intervals and sampling Exercise 8: Normal sampling distributions Exercise 9: Calculating confidence intervals Exercise 10: Drawing conclusions from samples

Learn all about applying normality tests, correlation tests, and parametric and non-parametric tests for sound inference. Hypothesis tests are tools, and choosing the right tool for the job is critical for statistical decision-making. While you may be familiar with some of these tests in introductory courses, you'll go deeper to enhance your inferential toolkit in this chapter.

Exercise 1: Normaliteitstoetsen Exercise 2: Toetsen op normaliteit Exercise 3: Verdeling van fouten Exercise 4: Een normale verdeling fitten Exercise 5: Correlatietests Exercise 6: Correlatie testen Exercise 7: Autocorrelatie Exercise 8: Verklaarde variantie Exercise 9: Parametrische toetsen Exercise 10: Gelijke variantie

Huidige oefening

Exercise 11: Normaliteit per groep Exercise 12: ANOVA Exercise 13: Niet-parametrische toetsen Exercise 14: Ranglijsten vergelijken Exercise 15: Mediaanwaarden vergelijken

In this chapter, you'll measure and interpret effect size in various situations, encounter the multiple comparisons problem, and explore the power of a test in depth. While p-values tell you if a significant effect is present, they don't tell you how strong that effect is. Effect size measures how strong an effect a treatment has. Master the factors underpinning effect size in this chapter.

Exercise 1: Effect size Exercise 2: Effect size for means Exercise 3: Effect size for correlations Exercise 4: Effect size for categorical variables Exercise 5: Multiple comparisons and corrections Exercise 6: Multiple comparisons problem Exercise 7: Bonferonni-Holm correction Exercise 8: Power of a test Exercise 9: What is power anyway?Exercise 10: Power for experimental design Exercise 11: Computing power and sample sizes

You’ll expand your inferential statistics toolkit further with a look at bootstrapping, permutation tests, and methods of combining evidence from p-values. Bootstrapping will provide you with a first look at statistical simulation. In the lesson meta-analysis, you’ll learn all about combining results from multiple studies. You’ll end with a look at permutation tests, a powerful and flexible non-parametric statistical tool.

Exercise 1: Bootstrapping Exercise 2: Bootstrap confidence intervals Exercise 3: Bootstrapping vs. normality Exercise 4: Combining evidence from p-values Exercise 5: Fisher's method in SciPy Exercise 6: Inference using Fisher's method Exercise 7: Summarizing Fisher's method Exercise 8: Permutation tests Exercise 9: Permutation tests for correlations Exercise 10: Permutation tests and bootstrapping Exercise 11: Analyzing skewed data with a permutation test Exercise 12: Course wrap-up video