Vad är ett p-värde?

P-värdet är i allmänhet ett mått på:

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 2)

Visa kurs

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

Statistiskt tänkande i Python (del 2)

SkillTag.level.intermediateSkillTag.label

4.8+

256 reviews

Starta kursen gratis

Inom statistisk inferens talar vi sannolikhetens språk. En sannolikhetsfördelning som beskriver dina data har parametrar. Ett centralt mål inom statistisk inferens är därför att estimera värdena på dessa parametrar, vilket gör det möjligt att beskriva dina data på ett kortfattat och entydigt sätt och dra slutsatser från dem. I det här kapitlet lär du dig att hitta de optimala parametrarna – de som bäst beskriver dina data.

Exercise 1: Optimala parametrar Exercise 2: Hur ofta ser vi no-hitters?Exercise 3: Stämmer datan överens med vår modell?Exercise 4: Varför är den här parametern optimal?Exercise 5: Linjär regression med minsta kvadratmetoden Exercise 6: EDA av data om läskunnighet och fertilitet Exercise 7: Linjär regression Exercise 8: Vad gör den optimal?Exercise 9: Vikten av EDA: Anscombes kvartett Exercise 10: Vikten av EDA Exercise 11: Linjär regression på lämpliga Anscombe-data Exercise 12: Linjär regression på alla Anscombes datamängder

Inom statistisk inferens vill man veta vad som skulle hända om man kunde upprepa datainsamlingen ett oändligt antal gånger. Det är förstås omöjligt i praktiken – men kan man använda enbart de data man faktiskt har för att komma nära samma resultat som ett oändligt antal experiment? Svaret är ja! Tekniken för att göra det kallas bootstrapping, och det är ett synnerligen kraftfullt verktyg som du introduceras till i det här kapitlet.

Exercise 1: Generera bootstrap-replikat Exercise 2: Lär känna terminologin Exercise 3: Bootstrapping för hand Exercise 4: Visualisera bootstrapurval Exercise 5: Bootstrap-konfidensintervall Exercise 6: Generera många bootstrap-replikat Exercise 7: Bootstrap-replikat av medelvärdet och SEM Exercise 8: Konfidensintervall för nederbördsdata Exercise 9: Bootstrapreplikat av andra statistiska mått Exercise 10: Konfidensintervall för frekvensen av no-hitters Exercise 11: Parvisa bootstrap Exercise 12: En funktion för parade bootstrap Exercise 13: Pars-bootstrap för läs- och skrivkunnighet/fertilitet Exercise 14: Visualisera bootstrapregressioner

Du vet nu hur man definierar och estimerar parametrar utifrån en modell. Men frågan kvarstår: hur rimligt är det att observera dina data om en viss modell stämmer? Den frågan besvaras med hypotestester. De utgör kronan på verket inom inferens. När du har slutfört det här kapitlet kan du på ett välgrundat sätt konstruera och testa hypoteser med hjälp av hacker-statistik.

Exercise 1: Att formulera och simulera en hypotes Exercise 2: Generera ett permutationsurval Exercise 3: Visualisering av permutationsurval Exercise 4: Teststatistik och p-värden Exercise 5: Teststatistika Exercise 6: Vad är ett p-värde?

Aktuell övning

Exercise 7: Generera permutationsreplikat Exercise 8: Se innan du hoppar: EDA före hypotestestning Exercise 9: Permutationstest på groddata Exercise 10: Bootstraphypotestning Exercise 11: Ett ensampel-bootstraphypotestest Exercise 12: Ett bootstrap-hypotestest med två urval för skillnad i medelvärde

Som du såg i föregående kapitel kan hypotestestning vara lite knepigt. Du behöver definiera nollhypotesen, ta reda på hur du simulerar den och tydligt fastställa vad det innebär att ett utfall är "mer extremt" för att kunna beräkna p-värdet. Som med alla färdigheter blir man bättre med övning, och det här kapitlet ger dig god träning i hypotestestning.

Exercise 1: A/B-testning Exercise 2: Omröstningen om Civil Rights Act 1964 Exercise 3: Vad är likvärdigt?Exercise 4: En webbplatstids-analog Exercise 5: Vad borde du ha gjort först?Exercise 6: Test av korrelation Exercise 7: Simulera en nollhypotes om korrelation Exercise 8: Hypotestest för Pearsonkorrelation Exercise 9: Har neonikotinoidinsekticider oavsiktliga konsekvenser?Exercise 10: Bootstraphypotestest på biodronningarnas spermieantal

I mer än 40 år har Peter och Rosemary Grant varje år rest till Galápagosön Daphne Major och samlat in data om Darwins finkar. Med dina kunskaper i statistisk inferens tillbringar du det här kapitlet med deras data och får med egna ögon, genom data, bevittna evolutionen i verkligheten. Det är ett inspirerande sätt att avsluta kursen!

Exercise 1: Finkars näbbar och behovet av statistik Exercise 2: EDA av näbbdjup hos Darwins finkar Exercise 3: ECDF:er för näbbdjup Exercise 4: Parameterestimat för näbbdjup Exercise 5: Hypotestest: Är näbbarna djupare år 2012?Exercise 6: Variation i näbbformer Exercise 7: EDA av näbblängd och näbbdjup Exercise 8: Linjära regressioner Exercise 9: Visa resultaten från den linjära regressionen Exercise 10: Kvoten mellan näblängd och näbdjup Exercise 11: Hur stor är skillnaden i kvoten?Exercise 12: Beräkning av ärftlighet Exercise 13: EDA av ärftlighet Exercise 14: Korrelation mellan avkomma och föräldradjur Exercise 15: Pearsons korrelation för avkomma och föräldradjur Exercise 16: Mäta ärftlighet Exercise 17: Är näbbdjupet ärftligt hos G. scandens?Exercise 18: Avslutande tankar