Parowany test t
W materiale wideo poznałeś/-aś zasadę działania parowanych testów t i ich przewagę nad zwykłymi testami t. W tym ćwiczeniu zobaczysz to na konkretnym przykładzie. Pierwszym krokiem będzie symulacja danych. Podobne dane mogą pochodzić np. z pomiarów masy ciała pacjentów przed i po kuracji lekowej albo z kwot wydanych przez klientów przed i po obejrzeniu reklamy.
Symulacja danych pozwala z góry znać właściwości zbioru i sprawdzić, czy model działa zgodnie z oczekiwaniami. R oferuje wiele rozkładów, w tym rozkład normalny. Symulowane dane będą miały nierówne wariancje (czyli różne odchylenia standardowe). Drugim krokiem będzie analiza danych za pomocą testu parowanego i nieparowanego. Na koniec zostaniesz zapytany/-a o wyniki tych testów.
W ramach pierwszego kroku ustawisz tzw. ziarno (ang. seed) generatora liczb losowych w R. Dzięki temu przy każdym uruchomieniu kodu otrzymasz te same liczby, a oprogramowanie DataCamp poprawnie oceni twoje rozwiązanie.
To ćwiczenie jest częścią kursu
Hierarchiczne i mieszane modele efektów w R
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set the seed to be 345659
set.seed(___)
# Model 10 individuals
n_ind <- ___
# simulate before with mean of 0 and sd of 0.5
before <- rnorm(n = n_ind, mean = ___, sd = ___)
# simulate after with mean effect of 4.5 and standard devation of 5
after <- ___ + rnorm(n = n_ind, mean = ___, sd = ___)