เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การนำ Randomized Block Design ไปใช้งาน

บริษัทผู้ผลิตที่เคยร่วมงานด้วยยังคงสนใจทำการทดลองเกี่ยวกับผลิตภาพของพนักงาน ในครั้งก่อน บล็อกทั้งสองถูกแบ่งแบบสุ่ม ซึ่งใช้ได้ผล แต่การจัดกลุ่มผู้เข้าร่วมตามลักษณะที่คล้ายกันอาจให้ผลที่ดีกว่า

คราวนี้โหลดข้อมูลพนักงานกลุ่มเดิมพร้อมกับเพื่อนร่วมงานอีก 1,200 คนใน DataFrame ชื่อ productivity ซึ่งมีคอลัมน์ 'productivity_score' ที่คำนวณจากจำนวนหน่วยที่ผลิตได้ต่อชั่วโมง คอลัมน์นี้ถูกแบ่งออกเป็น 3 กลุ่มเพื่อสร้างบล็อกตามระดับผลิตภาพที่ใกล้เคียงกัน บริษัทต้องการนำโปรแกรมสิ่งจูงใจใหม่ 3 แบบ ได้แก่ 'Bonus', 'Profit Sharing' และ 'Work from Home' มาใช้ทั่วทั้งองค์กร โดยกำหนด treatment แบบสุ่ม

โหลด numpy และ pandas เป็น np และ pd แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การออกแบบการทดลองด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สุ่มลำดับ block เพื่อสร้าง DataFrame ใหม่ชื่อ prod_df
  • รีเซ็ต index เพื่อไม่ให้ block ทำหน้าที่เป็นทั้ง index และคอลัมน์พร้อมกัน
  • กำหนดค่า treatment ทั้ง 3 แบบในคอลัมน์ 'Treatment' แบบสุ่ม

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Randomly assign workers to blocks
prod_df = productivity.____('____').apply(
  lambda x: x.____(____)
)

# Reset the index
prod_df = prod_df.____(____)

# Assign treatment randomly
prod_df['Treatment'] = np.random.choice(
  ['____', '____', '____'],
  size=len(____)
)
แก้ไขและรันโค้ด