Analiza mocy: wielkość próby i wielkość efektu

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Projektowanie eksperymentów w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

1849 reviews

Rozpocznij kurs za darmo

Wiedza z zakresu projektowania eksperymentów pozwoli ci testować hipotezy przy użyciu najlepszych narzędzi analitycznych i oceniać ryzyko związane z prowadzonymi badaniami. Zaczniesz od podstaw: czym jest projektowanie eksperymentów i jakie są różne podejścia do jego organizacji – między innymi blokowanie i stratyfikacja. Następnie poznasz i zastosujesz wizualne oraz analityczne testy normalności rozkładu danych eksperymentalnych.

Exercise 1: Konfigurowanie eksperymentów Exercise 2: Nielosowy przydział obiektów badanych Exercise 3: Losowe przypisanie obiektów do grup Exercise 4: Konfiguracja danych eksperymentalnych Exercise 5: Blokowanie danych eksperymentalnych Exercise 6: Stratyfikacja eksperymentu Exercise 7: Która była stratyfikowana?Exercise 8: Dane o rozkładzie normalnym Exercise 9: Wizualna ocena normalności w eksperymencie rolniczym Exercise 10: Analityczna ocena normalności w eksperymencie rolniczym

Poznasz zaawansowane techniki projektowania eksperymentów, ze szczególnym uwzględnieniem układów czynnikowych, układów bloków losowych i korekcji ze względu na kowariaty. Te metody są kluczowe dla zwiększenia dokładności, efektywności i interpretowalności wyników eksperymentów. Łącząc teorię z praktyką, zdobędziesz umiejętności potrzebne do projektowania, wdrażania i analizowania złożonych eksperymentów w różnych dziedzinach badań.

Exercise 1: Plany czynnikowe: zasady i zastosowania Exercise 2: Analiza skuteczności kampanii marketingowej Exercise 3: Mapa cieplna interakcji kampanii Exercise 4: Plany czynnikowe i plany bloków losowych Exercise 5: Randomizowany schemat blokowy: kontrolowanie wariancji Exercise 6: Implementacja losowego planu blokowego Exercise 7: Wizualizacja produktywności w blokach według bodźca Exercise 8: ANOVA w blokach pracowników Exercise 9: Dostosowanie kowariancji w projektowaniu eksperymentów Exercise 10: Znaczenie kowariat Exercise 11: Dostosowanie kowariancji w badaniu wzrostu kurcząt

Opanuj testy statystyczne takie jak t-test, ANOVA i test chi-kwadrat, a następnie zagłęb się w analizy post-hoc i podstawy analizy mocy. Naucz się dobierać właściwy test, interpretować wartości p i błędy statystyczne, a także sprawnie przeprowadzać analizę mocy w celu wyznaczania liczebności próby i wielkości efektu – wszystko to z wykorzystaniem potężnych bibliotek Pythona.

Exercise 1: Wybór odpowiedniego testu statystycznego Exercise 2: Wybór właściwego testu: petrochemia Exercise 3: Wybór właściwego testu: zasoby ludzkie Exercise 4: Wybór właściwego testu: finanse Exercise 5: Analiza post-hoc po ANOVA Exercise 6: ANOVA dla metod leczenia lęku Exercise 7: Zastosowanie testu HSD Tukeya Exercise 8: Stosowanie poprawki Bonferroniego Exercise 9: Wartości p, alfa i błędy Exercise 10: Analiza trwałości zabawek Exercise 11: Wizualizacja różnic w trwałości Exercise 12: Rola poziomów istotności Exercise 13: Analiza mocy: wielkość próby i wielkość efektu

Bieżące ćwiczenie

Exercise 14: Cel wielkości efektu Exercise 15: Szacowanie wymaganej liczebności próby w badaniu efektywności energetycznej

Zmierz się ze złożonością analizy danych eksperymentalnych. Naucz się syntetyzować wnioski przy użyciu pandas, radzić sobie z problemami takimi jak heteroskedastyczność za pomocą scipy.stats, a także stosować testy nieparametryczne – na przykład test Manna-Whitneya U. Poznasz dodatkowe techniki transformacji, wizualizacji i interpretacji złożonych danych, które pozwolą ci prowadzić rzetelne analizy w różnych kontekstach eksperymentalnych.

Exercise 1: Synteza wniosków ze złożonych eksperymentów Exercise 2: Wizualizacja wskaźnika akceptacji kredytów Exercise 3: Badanie satysfakcji klientów Exercise 4: Skuteczna komunikacja danych eksperymentalnych Exercise 5: Radzenie sobie ze złożonością danych eksperymentalnych Exercise 6: Sprawdź heteroskedastyczność trwałości przechowalniczej Exercise 7: Eksploracja i transformacja danych dotyczących trwałości produktów Exercise 8: Stosowanie testów nieparametrycznych w analizie eksperymentalnej Exercise 9: Wizualizacja i testowanie metod konserwacji Exercise 10: Dalsza analiza technik konserwacji żywności Exercise 11: Gratulacje!