Podsumowanie kosztu alternatywnego (2)

Po utworzeniu rozkładu losowego sprawdzisz teraz, czy zaobserwowana różnica proporcji jest zgodna z hipotezą zerową (brak różnicy). Tę zgodność – a raczej jej brak – zmierzysz za pomocą p-wartości, czyli proporcji losowych różnic mniejszych lub równych zaobserwowanej różnicy.

Zpermutowany zbiór danych oraz oryginalna zaobserwowana statystyka są dostępne w twoim środowisku jako opp_perm i diff_orig.

Użyj funkcji visualize i get_p_value z pakietu infer. Pamiętaj, że losowe statystyki są powyżej oryginalnej różnicy, więc p-wartość (czyli jak często wartość zerowa jest bardziej ekstremalna) oblicza się przez zliczenie wartości zerowych, które są less niż oryginalna różnica.

To ćwiczenie jest częścią kursu

Podstawy wnioskowania statystycznego w R

Zobacz kurs

Instrukcje do ćwiczenia

Najpierw użyj visualize, aby zwizualizować rozkład próbkowania losowych statystyk – zaznacz miejsce, gdzie obs_stat = diff_orig, i zakoloruj wartości poniżej za pomocą direction = "less".
Następnie oblicz p-wartość za pomocą get_p_value jako proporcję losowych statystyk spełniających direction = "less" względem obs_stat = diff_orig.
Jako alternatywny sposób obliczenia p-wartości użyj summarize() i mean(), aby znaleźć proporcję przypadków, w których losowe różnice w opp_perm (kolumna stat) są mniejsze lub równe zaobserwowanej różnicy (diff_orig).
Możesz sprawdzić swoją wiedzę, wypróbowując opcje direction = "greater", direction = "two_sided" i direction = "less" w funkcjach visualize i get_p_value przed przesłaniem odpowiedzi.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Visualize the statistic 
opp_perm %>%
  ___(___, ___)

# Calculate the p-value using `get_p_value`
opp_perm %>%
  ___(___, ___)

# Calculate the p-value using `summarize`
opp_perm %>%
  summarize(p_value = ___)

Edytuj i uruchom kod