Simulatie-gebaseerde t-toets
In Hoofdstuk 2 heb je de stappen voor een t-toets handmatig uitgevoerd om deze hypothesen te onderzoeken.
\(H_{0}\): Het gemiddelde gewicht van zendingen die niet te laat waren is gelijk aan het gemiddelde gewicht van zendingen die te laat waren.
\(H_{A}\): Het gemiddelde gewicht van zendingen die niet te laat waren is lager dan het gemiddelde gewicht van zendingen die te laat waren.
Je kunt de toets compacter uitvoeren met t_test() uit infer.
late_shipments %>%
t_test(
weight_kilograms ~ late,
order = c("No", "Yes"),
alternative = "less"
)
t_test() gaat ervan uit dat de nulverdeling normaal is. We kunnen aannames vermijden met een simulatie-gebaseerd niet-parametrisch alternatief.
late_shipments is beschikbaar; dplyr en infer zijn geladen.
Deze oefening maakt deel uit van de cursus
Hypothesis Testing in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Fill out the null distribution pipeline
null_distn <- late_shipments %>%
# Specify weight_kilograms vs. late
___ %>%
# Declare a null hypothesis of independence
___ %>%
# Generate 1000 permutation replicates
___ %>%
# Calculate the difference in means ("No" minus "Yes")
___
# See the results
null_distn