Kom igångKom igång gratis

Visualisera sambandet

Nu när vi har gått igenom hur olika fel påverkas och beräknat nödvändig urvalsstorlek för olika styrkevärden, tar vi ett steg tillbaka och undersöker sambandet mellan styrka och urvalsstorlek med hjälp av ett diagram.

I den här övningen byter vi fokus och tittar på ett t-test i stället för ett z-test. Använd funktionen plot_power() för att visualisera detta – den visar urvalsstorlek på x-axeln, styrka på y-axeln och olika linjer för olika minimala effektstorlekar.

Den här övningen är en del av kursen

Öva på statistikintervjufrågor i Python

Visa kurs

Övningsinstruktioner

  • Tilldela ett TTestIndPower()-objekt till variabeln results.
  • Visualisera sambandet mellan styrka och urvalsstorlek med funktionen plot_power() och lämpliga parametervärden – vad observerar du?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

sample_sizes = np.array(range(5, 100))
effect_sizes = np.array([0.2, 0.5, 0.8])

# Create results object for t-test analysis
from statsmodels.stats.power import TTestIndPower
results = ____

# Plot the power analysis
results.plot_power(dep_var='nobs', nobs=____, effect_size=____)
plt.show()
Redigera och kör kod