Combinarea evidențelor din valorile p

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.

Acest exercițiu face parte din cursul

Bazele inferenței în Python

SkillTag.level.advancedSkillTag.label

4.9+

228 reviews

Începe cursul gratuit

În acest capitol, vom explora relația dintre eșantioane și concluziile justificabile din punct de vedere statistic. Alegerea unui eșantion stă la baza luării unor decizii statistice solide, iar noi vom analiza modul în care această alegere influențează rezultatul inferenței tale.

Exercise 1: Inferența statistică și eșantionarea aleatoare Exercise 2: Eșantionare și estimări punctuale Exercise 3: Eșantionare repetată, estimări punctuale și inferență Exercise 4: Eșantionare și erori sistematice Exercise 5: Vizualizarea eșantioanelor Exercise 6: Inferență și bias Exercise 7: Intervale de încredere și eșantionare Exercise 8: Distribuții normale ale eșantionării Exercise 9: Calcularea intervalelor de încredere Exercise 10: Formularea concluziilor pe baza eșantioanelor

Învață totul despre aplicarea testelor de normalitate, a testelor de corelație și a testelor parametrice și non-parametrice pentru o inferență riguroasă. Testele de ipoteză sunt instrumente, iar alegerea celui potrivit pentru fiecare situație este esențială în luarea deciziilor statistice. Chiar dacă ești familiarizat cu unele dintre aceste teste din cursuri introductive, în acest capitol vei aprofunda și îți vei îmbogăți arsenalul inferențial.

Exercise 1: Teste de normalitate Exercise 2: Testarea normalității Exercise 3: Distribuția erorilor Exercise 4: Ajustarea unei distribuții normale Exercise 5: Teste de corelație Exercise 6: Testarea corelației Exercise 7: Autocorelație Exercise 8: Varianța explicată Exercise 9: Teste parametrice Exercise 10: Varianță egală Exercise 11: Normalitatea grupurilor Exercise 12: ANOVA Exercise 13: Teste neparametrice Exercise 14: Compararea clasamentelor Exercise 15: Compararea medianelor

În acest capitol, vei măsura și interpreta mărimea efectului în diverse situații, vei întâlni problema comparațiilor multiple și vei explora în profunzime puterea unui test. Valorile p îți spun dacă un efect semnificativ este prezent, dar nu îți spun cât de puternic este acel efect. Mărimea efectului cuantifică intensitatea cu care un tratament influențează rezultatele. Stăpânește factorii care stau la baza mărimii efectului în acest capitol.

Exercise 1: Mărimea efectului Exercise 2: Mărimea efectului pentru medii Exercise 3: Dimensiunea efectului pentru corelații Exercise 4: Mărimea efectului pentru variabile categoriale Exercise 5: Comparații multiple și corecții Exercise 6: Problema comparațiilor multiple Exercise 7: Corecția Bonferroni-Holm Exercise 8: Puterea unui test Exercise 9: Ce este, de fapt, puterea unui test?Exercise 10: Puterea în designul experimental Exercise 11: Calcularea puterii și a dimensiunilor eșantionului

Îți vei extinde și mai mult arsenalul de statistică inferențială, explorând bootstrapping-ul, testele de permutare și metodele de combinare a dovezilor din valori p. Bootstrapping-ul îți va oferi o primă privire asupra simulării statistice. În lecția despre meta-analiză, vei învăța totul despre combinarea rezultatelor din studii multiple. Vei încheia cu o privire asupra testelor de permutare, un instrument statistic non-parametric puternic și flexibil.

Exercise 1: Bootstrapping Exercise 2: Intervale de încredere prin bootstrap Exercise 3: Bootstrapping vs. normalitate Exercise 4: Combinarea evidențelor din valorile p

Exercițiul curent

Exercise 5: Metoda lui Fisher în SciPy Exercise 6: Inferență folosind metoda lui Fisher Exercise 7: Rezumând metoda lui Fisher Exercise 8: Teste de permutare Exercise 9: Teste de permutare pentru corelații Exercise 10: Teste de permutare și bootstrap Exercise 11: Analiza datelor asimetrice cu un test de permutare Exercise 12: Videoclip de încheiere a cursului