Testy permutacyjne i bootstrapping

Kiedy użyć testu permutacyjnego, a kiedy przedziału ufności opartego na bootstrappingu? Każda z poniższych kart opisuje pewną sytuację – przypisz ją do najlepiej pasującej techniki.

To ćwiczenie jest częścią kursu

Podstawy wnioskowania statystycznego w Pythonie

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Podstawy wnioskowania statystycznego w Pythonie

SkillTag.level.advancedSkillTag.label

4.9+

Rozpocznij kurs za darmo

W tym rozdziale przyjrzymy się zależności między próbami a statystycznie uzasadnionymi wnioskami. Dobór próby stanowi podstawę trafnych decyzji statystycznych, a ty przekonasz się, jak wybór próby wpływa na wyniki wnioskowania.

Exercise 1: Wnioskowanie statystyczne i losowanie próby Exercise 2: Próbkowanie i estymatory punktowe Exercise 3: Wielokrotne próbkowanie, estymatory punktowe i wnioskowanie Exercise 4: Próbkowanie i błąd systematyczny Exercise 5: Wizualizacja próbek Exercise 6: Wnioskowanie i obciążenie Exercise 7: Przedziały ufności i próbkowanie Exercise 8: Normalne rozkłady próbkowania Exercise 9: Obliczanie przedziałów ufności Exercise 10: Wyciąganie wniosków z próbek

Naucz się stosować testy normalności, testy korelacji oraz testy parametryczne i nieparametryczne na potrzeby rzetelnego wnioskowania. Testy hipotez to narzędzia – wybór właściwego narzędzia do danego zadania jest kluczowy w statystycznym podejmowaniu decyzji. Nawet jeśli znasz już niektóre z tych testów z kursów wprowadzających, w tym rozdziale zagłębisz się w temat i rozbudujesz swój warsztat wnioskowania.

Exercise 1: Testy normalności Exercise 2: Testowanie normalności Exercise 3: Rozkład błędów Exercise 4: Dopasowywanie rozkładu normalnego Exercise 5: Testy korelacji Exercise 6: Testowanie korelacji Exercise 7: Autokorelacja Exercise 8: Wyjaśniona wariancja Exercise 9: Testy parametryczne Exercise 10: Równość wariancji Exercise 11: Normalność w grupach Exercise 12: ANOVA Exercise 13: Testy nieparametryczne Exercise 14: Porównywanie rankingów Exercise 15: Porównywanie median

W tym rozdziale zmierzysz i zinterpretujesz wielkość efektu w różnych sytuacjach, zetkniesz się z problemem wielokrotnych porównań i dogłębnie poznasz moc testu. Wartości p mówią ci, czy istotny efekt w ogóle występuje, ale nie informują o jego sile. Wielkość efektu mierzy, jak silny wpływ ma dane działanie. Opanuj czynniki decydujące o wielkości efektu w tym rozdziale.

Exercise 1: Wielkość efektu Exercise 2: Wielkość efektu dla średnich Exercise 3: Wielkość efektu dla korelacji Exercise 4: Wielkość efektu dla zmiennych kategorycznych Exercise 5: Wielokrotne porównania i korekty Exercise 6: Problem wielokrotnych porównań Exercise 7: Korekcja Bonferroniego-Holma Exercise 8: Moc testu Exercise 9: Czym właściwie jest moc testu?Exercise 10: Moc testu w projektowaniu eksperymentów Exercise 11: Obliczanie mocy testu i wielkości próby

Jeszcze bardziej rozbudujesz swój warsztat statystyki wnioskowania, poznając bootstrapping, testy permutacyjne i metody łączenia dowodów z wartości p. Bootstrapping da ci pierwsze spojrzenie na symulację statystyczną. W lekcji dotyczącej metaanalizy dowiesz się, jak łączyć wyniki wielu badań. Na koniec przyjrzysz się testom permutacyjnym – potężnemu i elastycznemu nieparametrycznemu narzędziu statystycznemu.

Exercise 1: Bootstrapping Exercise 2: Bootstrapowe przedziały ufności Exercise 3: Bootstrapping a normalność Exercise 4: Łączenie dowodów z wartości p Exercise 5: Metoda Fishera w SciPy Exercise 6: Wnioskowanie metodą Fishera Exercise 7: Podsumowanie metody Fishera Exercise 8: Testy permutacyjne Exercise 9: Testy permutacyjne dla korelacji Exercise 10: Testy permutacyjne i bootstrapping

Bieżące ćwiczenie

Exercise 11: Analiza skośnych danych za pomocą testu permutacyjnego Exercise 12: Podsumowanie kursu – wideo