Effektstorlek för medelvärden
Många riskkapitalfinansierade företag tar emot mer än en finansieringsrunda. I regel är den andra rundan större än den första. Men hur stor är egentligen effekten av rundnumret på det genomsnittliga finansieringsbeloppet? Det kan du kvantifiera med Cohens d.
Kom ihåg att du för att beräkna Cohens d först behöver beräkna den poolade standardavvikelsen. Den ges av formeln
Cohen's d ges sedan av:
En DataFrame med riskkapitalinvesteringar (investments_df) har laddats in åt dig, liksom paketen pandas som pd, NumPy som np och stats från SciPy. Kolumnen funding_total_usd visar det totala finansieringsbeloppet för respektive runda.
Den här övningen är en del av kursen
Grunderna i inferens med Python
Övningsinstruktioner
- Filtrera
investments_dfför att välja utfunding_rounds1 och 2 var för sig. - Beräkna standardavvikelsen och urvalsstorleken för varje runda.
- Beräkna den poolade standardavvikelsen mellan de två rundorna.
- Beräkna Cohens d med hjälp av de värden du just beräknade.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Select all investments from rounds 1 and 2 separately
round1_df = investments_df[____['funding_rounds'] == ____]
round2_df = investments_df[____['funding_rounds'] == ____]
# Calculate the standard deviation of each round and the number of companies in each round
round1_sd = ____.std()
round2_sd = ____.std()
round1_n = ____.shape[0]
round2_n = ____.shape[0]
# Calculate the pooled standard deviation between the two rounds
pooled_sd = np.sqrt(((____ - 1) * ____ ** 2 + (____ - 1) *____ ** 2) / (____ + ____ - 2))
# Calculate Cohen's d
d = (____.mean() - ____.mean()) / ____