Która była stratyfikowana?

Masz do dyspozycji dwie ramki danych: df_1 i df_2. Możesz je przejrzeć w konsoli. Zawierają kolumny 'salary', 'free_hours' i 'high_free_time', a także dwie dodatkowe: 'Block' – blok eksperymentalny, do którego przypisano daną obserwację, oraz 'T_C' – informacja, czy obserwacja trafiła do grupy eksperymentalnej, czy kontrolnej.

Która ramka danych jest stratyfikowana względem kolumny 'high_free_time'?

To ćwiczenie jest częścią kursu

Projektowanie eksperymentów w Pythonie

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Projektowanie eksperymentów w Pythonie

SkillTag.level.intermediateSkillTag.label

4.8+

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?

Bieżące ćwiczenie

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 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!