ANOVA inom anställdas block

Med utgångspunkt i dina tidigare analyser av tillverkningsföretaget, där arbetarproduktiviteten undersöktes över olika block och ett incitamentsprogram infördes, ska du nu fördjupa dig ytterligare i data. Företaget har en mer omfattande datamängd i DataFrame:en productivity, som inkluderar 1 200 ytterligare anställda och deras productivity_score. Arbetsstyrkan är strukturerad i tre block baserade på produktivitetsnivåer. Varje anställd har slumpmässigt tilldelats ett av tre incitamentsalternativ: 'Bonus', 'Profit Sharing' eller 'Work from Home'.

Innan du bedömer den fulla effekten av dessa incitamentsbehandlingar på produktiviteten är det viktigt att verifiera att den initiala behandlingstilldelningen verkligen var slumpmässig och rättvis över de olika produktivitetsblocken. Det här steget säkerställer att eventuella observerade skillnader i produktivitet efter behandlingen med säkerhet kan tillskrivas incitamentsprogrammen själva, snarare än redan befintliga skillnader mellan blocken.

Funktionen f_oneway() från scipy.stats har redan importerats åt dig.

Den här övningen är en del av kursen

Experimentell design i Python

Övningsinstruktioner

Gruppera prod_df efter den kolumn som representerar de olika blocken i din data.
Använd en lambda-funktion för att tillämpa ANOVA-testet inom varje block och ange lambda-funktionens argument.
För varje behandlingsgrupp inom blocken, filtrera prod_df baserat på värdena i kolumnen 'Treatment' och välj kolumnen 'productivity_score'.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Perform the within blocks ANOVA, first grouping by block
within_block_anova = prod_df.groupby('____').apply(
  # Set function
  lambda x: ____(
    # Filter Treatment values based on outcome
    x[x['____'] == '____']['____'], 
    x[x['____'] == '____']['____'],
    x[x['____'] == '____']['____'])
)
print(within_block_anova)

Redigera och kör kod

Den här övningen är en del av kursen

Experimentell design i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Genom att bygga kunskap om experimentell design kan du testa hypoteser med analytiska verktyg enligt bästa praxis och kvantifiera risken i ditt arbete. Du börjar med att lägga grunden för vad experimentell design är och olika upplägg, som blockering och stratifiering. Sedan lär du dig att tillämpa visuella och analytiska tester för normalitet i experimentdata.

Exercise 1: Att sätta upp experiment Exercise 2: Icke-slumpmässig tilldelning av försökssubjekt Exercise 3: Slumpmässig tilldelning av försöksenheter Exercise 4: Experimentell datakonfiguration Exercise 5: Blockering av experimentdata Exercise 6: Stratifiera ett experiment Exercise 7: Vilken var stratifierad?Exercise 8: Normalfördelad data Exercise 9: Visuell normalitetsbedömning i ett jordbruksexperiment Exercise 10: Analytisk normalitetsprövning i ett jordbruksexperiment

Du fördjupar dig i avancerade tekniker för experimentell design med fokus på faktoriella designer, randomiserade blockdesigner och kovarianskorrigeringar. Dessa metoder är centrala för att förbättra noggrannheten, effektiviteten och tolkbarheten hos experimentella resultat. Genom en kombination av teori och praktiska tillämpningar får du de färdigheter som krävs för att designa, genomföra och analysera komplexa experiment inom olika forskningsområden.

Exercise 1: Faktoriella designer: principer och tillämpningar Exercise 2: Förstå effektiviteten hos marknadsföringskampanjer Exercise 3: Heatmap över kampanjinteraktioner Exercise 4: Faktordesigner och randomiserade blockdesigner Exercise 5: Randomiserad blockdesign: att kontrollera varians Exercise 6: Implementera en randomiserad blockdesign Exercise 7: Visualisera produktivitet inom block efter incitament Exercise 8: ANOVA inom anställdas block

Aktuell övning

Exercise 9: Kovariatsanpassning i experimentell design Exercise 10: Kovariaternas betydelse Exercise 11: Kovariatjustering med kycklingtillväxt

Behärska statistiska tester som t-test, ANOVA och chi-kvadrattest, och fördjupa dig i post-hoc-analyser och grunderna i styrkeanalys. Lär dig att välja rätt test, tolka p-värden och feltyper, och genomföra styrkeanalys för att bestämma urvalsstorlek och effektstorlek – med hjälp av Pythons kraftfulla bibliotek.

Exercise 1: Välja rätt statistiskt test Exercise 2: Välj rätt test: petrokemikalier Exercise 3: Välja rätt test: personalavdelning Exercise 4: Välja rätt test: finans Exercise 5: Post-hoc-analys efter ANOVA Exercise 6: ANOVA för ångestbehandlingar Exercise 7: Tillämpa Tukeys HSD Exercise 8: Tillämpa Bonferroni-korrigering Exercise 9: P-värden, alfa och fel Exercise 10: Analysera leksakers hållbarhet Exercise 11: Visualisera skillnader i hållbarhet Exercise 12: Signifikansnivåernas roll Exercise 13: Styrkeanalys: urvalsstorlek och effektstorlek Exercise 14: Effektstorlekens syfte Exercise 15: Beräkna erforderlig urvalsstorlek för en energistudie

Utforska komplexiteten i analys av experimentdata. Lär dig att sammanställa insikter med pandas, hantera dataproblem som heteroskedasticitet med scipy.stats, och tillämpa icke-parametriska tester som Mann-Whitney U. Du får även lära dig ytterligare tekniker för att transformera, visualisera och tolka komplexa data, vilket stärker din förmåga att genomföra robusta analyser i olika experimentella sammanhang.

Exercise 1: Syntetisera insikter från komplexa experiment Exercise 2: Visualisering av godkännandeavkastning för lån Exercise 3: Utforska kundnöjdhet Exercise 4: Effektiv kommunikation av experimentella data Exercise 5: Att hantera komplexitet i experimentdata Exercise 6: Kontrollera heteroskedasticitet i hållbarhet Exercise 7: Utforska och transformera data om hållbarhet Exercise 8: Tillämpa icke-parametriska test i experimentell analys Exercise 9: Visualisering och testning av konserveringsmetoder Exercise 10: Fördjupad analys av livsmedelskonserveringsmetoder Exercise 11: Grattis!