Permutationstester och bootstrapping

När ska du använda ett permutationstest, och när ska du använda ett bootstrappat konfidensintervall? Korten nedan beskriver olika situationer, och din uppgift är att klassificera dem enligt den teknik som passar bäst.

Den här övningen är en del av kursen

Grunderna i inferens med Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Grunderna i inferens med Python

SkillTag.level.advancedSkillTag.label

4.9+

Starta kursen gratis

I det här kapitlet utforskar vi sambandet mellan urval och statistiskt motiverade slutsatser. Valet av urval är grunden för välgrundade statistiska beslut, och vi undersöker hur urvalet påverkar resultatet av din inferens.

Exercise 1: Statistisk inferens och slumpmässigt urval Exercise 2: Urval och punktskattningar Exercise 3: Upprepad sampling, punktskattningar och inferens Exercise 4: Urval och bias Exercise 5: Visualisera urval Exercise 6: Inferens och bias Exercise 7: Konfidensintervall och urval Exercise 8: Normala samplingfördelningar Exercise 9: Beräkna konfidensintervall Exercise 10: Dra slutsatser från urval

Lär dig att tillämpa normalitetstester, korrelationstester samt parametriska och icke-parametriska tester för välgrundad inferens. Hypotestester är verktyg, och att välja rätt verktyg för uppgiften är avgörande för statistiskt beslutsfattande. Du kanske känner till vissa av dessa tester från introduktionskurser – här går du djupare och bygger ut ditt inferensverktyg i det här kapitlet.

Exercise 1: Normalitetstester Exercise 2: Testa för normalitet Exercise 3: Fördelning av fel Exercise 4: Anpassa en normalfördelning Exercise 5: Korrelationstester Exercise 6: Testa för korrelation Exercise 7: Autokorrelation Exercise 8: Förklarad varians Exercise 9: Parametriska test Exercise 10: Lika varians Exercise 11: Normalitet i grupper Exercise 12: ANOVA Exercise 13: Icke-parametriska test Exercise 14: Jämföra rankningar Exercise 15: Jämföra medianer

I det här kapitlet mäter och tolkar du effektstorlek i olika situationer, stöter på problemet med multipla jämförelser och utforskar testets styrka på djupet. P-värden berättar om en signifikant effekt föreligger, men inte hur stark den är. Effektstorlek mäter hur stark effekt en behandling har. Bemästra de faktorer som ligger till grund för effektstorlek i det här kapitlet.

Exercise 1: Effektstorlek Exercise 2: Effektstorlek för medelvärden Exercise 3: Effektstorlek för korrelationer Exercise 4: Effektstorlek för kategoriska variabler Exercise 5: Multipla jämförelser och korrigeringar Exercise 6: Problemet med multipla jämförelser Exercise 7: Bonferonni-Holm-korrigering Exercise 8: Testets styrka Exercise 9: Vad är egentligen styrka?Exercise 10: Teststyrka för experimentdesign Exercise 11: Beräkna styrka och urvalsstorlekar

Du utökar ditt inferensstatistiska verktyg ytterligare med en genomgång av bootstrapping, permutationstester och metoder för att kombinera evidens från p-värden. Bootstrapping ger dig en första inblick i statistisk simulering. I lektionen om metaanalys lär du dig allt om att kombinera resultat från flera studier. Du avslutar med en genomgång av permutationstester – ett kraftfullt och flexibelt icke-parametriskt statistiskt verktyg.

Exercise 1: Bootstrapping Exercise 2: Bootstrap-konfidensintervall Exercise 3: Bootstrapping kontra normalitet Exercise 4: Kombinera bevis från p-värden Exercise 5: Fishers metod i SciPy Exercise 6: Inferens med Fishers metod Exercise 7: Sammanfatta Fishers metod Exercise 8: Permutationstester Exercise 9: Permutationstest för korrelationer Exercise 10: Permutationstester och bootstrapping

Aktuell övning

Exercise 11: Analysera skevfördelade data med ett permutationstest Exercise 12: Avslutningsvideo för kursen