Факторные планы: принципы и применение

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.

Это упражнение является частью курса

Планирование экспериментов в Python

SkillTag.level.intermediateSkillTag.label

4.8+

1948 reviews

Начать курс бесплатно

Знание основ планирования экспериментов позволяет проверять гипотезы с помощью передовых аналитических инструментов и оценивать риски своей работы. Вы начнёте с изучения фундаментальных понятий планирования экспериментов и различных схем — таких как блокирование и стратификация. Затем освоите визуальные и аналитические методы проверки нормальности экспериментальных данных.

Exercise 1: Постановка экспериментов Exercise 2: Нерандомизированное распределение испытуемых Exercise 3: Случайное распределение объектов по группам Exercise 4: Настройка экспериментальных данных Exercise 5: Блокировка экспериментальных данных Exercise 6: Стратификация эксперимента Exercise 7: Что было стратифицировано?Exercise 8: Нормальное распределение данных Exercise 9: Визуальная проверка нормальности в сельскохозяйственном эксперименте Exercise 10: Аналитическая проверка нормальности в сельскохозяйственном эксперименте

Вы познакомитесь с продвинутыми методами планирования экспериментов: факторными схемами, рандомизированными блочными планами и корректировкой по ковариатам. Эти подходы повышают точность, эффективность и интерпретируемость результатов экспериментов. Сочетая теорию с практикой, вы приобретёте навыки, необходимые для разработки, реализации и анализа сложных экспериментов в различных областях исследований.

Exercise 1: Факторные планы: принципы и применение

Текущее упражнение

Exercise 2: Анализ эффективности маркетинговой кампании Exercise 3: Тепловая карта взаимодействий в кампании Exercise 4: Факториальные и рандомизированные блочные планы Exercise 5: Рандомизированный блочный дизайн: управление дисперсией Exercise 6: Реализация рандомизированного блочного дизайна Exercise 7: Визуализация производительности внутри блоков по типу стимула Exercise 8: ANOVA внутри блоков сотрудников Exercise 9: Корректировка на ковариату в экспериментальном дизайне Exercise 10: Важность ковариат Exercise 11: Корректировка по ковариате: рост цыплят

Освойте статистические критерии — t-критерий, дисперсионный анализ (ANOVA) и критерий хи-квадрат — и глубоко изучите апостериорный анализ и анализ мощности. Вы научитесь выбирать подходящий критерий, интерпретировать p-значения и ошибки, а также грамотно проводить анализ мощности для определения объёма выборки и размера эффекта — всё это с использованием мощных библиотек Python.

Exercise 1: Выбор подходящего статистического критерия Exercise 2: Выбор подходящего теста: нефтехимия Exercise 3: Выбор правильного критерия: кадровые ресурсы Exercise 4: Выбор подходящего теста: финансы Exercise 5: Апостериорный анализ после дисперсионного анализа (ANOVA)Exercise 6: Дисперсионный анализ методов лечения тревожности Exercise 7: Применение критерия Тьюки HSD Exercise 8: Применение поправки Бонферрони Exercise 9: P-значения, альфа и ошибки Exercise 10: Анализ прочности игрушек Exercise 11: Визуализация различий в долговечности Exercise 12: Роль уровней значимости Exercise 13: Анализ мощности: размер выборки и эффекта Exercise 14: Назначение размера эффекта Exercise 15: Оценка необходимого объёма выборки для исследования в энергетике

Погрузитесь в анализ сложных экспериментальных данных. Вы научитесь обобщать результаты с помощью pandas, справляться с такими проблемами данных, как гетероскедастичность, используя scipy.stats, и применять непараметрические критерии, например критерий Манна–Уитни. Вы также освоите дополнительные техники преобразования, визуализации и интерпретации сложных данных, что повысит качество ваших аналитических исследований в различных экспериментальных условиях.

Exercise 1: Обобщение результатов сложных экспериментов Exercise 2: Визуализация доходности одобрения кредитов Exercise 3: Изучение удовлетворённости клиентов Exercise 4: Эффективная презентация экспериментальных данных Exercise 5: Работа со сложными аспектами экспериментальных данных Exercise 6: Проверка гетероскедастичности срока хранения Exercise 7: Исследование и преобразование данных о сроке хранения Exercise 8: Применение непараметрических критериев в экспериментальном анализе Exercise 9: Визуализация и тестирование методов консервации Exercise 10: Дополнительный анализ методов сохранения продуктов питания Exercise 11: Поздравляем!