การเปรียบเทียบหลายครั้งและการแก้ไขค่า

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

พื้นฐานการอนุมานทางสถิติด้วย Python

SkillTag.level.advancedSkillTag.label

4.9+

228 reviews

เริ่มคอร์สฟรี

บทนี้จะสำรวจความสัมพันธ์ระหว่างตัวอย่างข้อมูลกับข้อสรุปที่สามารถพิสูจน์ได้ทางสถิติ การเลือกตัวอย่างเป็นรากฐานของการตัดสินใจทางสถิติที่ดี และจะได้เรียนรู้ว่าการเลือกตัวอย่างส่งผลต่อผลลัพธ์ของการอนุมานอย่างไร

เรียนรู้การใช้การทดสอบการแจกแจงแบบปกติ การทดสอบความสัมพันธ์ และการทดสอบแบบพาราเมตริกและนอนพาราเมตริกเพื่อการอนุมานที่แม่นยำ การทดสอบสมมติฐานเปรียบเสมือนชุดเครื่องมือ การเลือกใช้เครื่องมือให้ถูกต้องจึงเป็นสิ่งสำคัญอย่างยิ่งสำหรับการตัดสินใจทางสถิติ แม้จะคุ้นเคยกับการทดสอบเหล่านี้จากคอร์สเบื้องต้นมาแล้ว บทนี้จะพาไปทำความเข้าใจให้ลึกยิ่งขึ้นเพื่อเสริมความแข็งแกร่งให้ชุดเครื่องมืออนุมานของคุณ

Exercise 1: การทดสอบความเป็นปกติ Exercise 2: การทดสอบความเป็นโปรดปรานการแจกแจงแบบปกติ Exercise 3: การกระจายของค่าความคลาดเคลื่อน Exercise 4: การฟิตการแจกแจงปกติ Exercise 5: การทดสอบสหสัมพันธ์Exercise 6: การทดสอบสหสัมพันธ์Exercise 7: Autocorrelation Exercise 8: ความแปรปรวนที่อธิบายได้Exercise 9: การทดสอบแบบพาราเมตริก Exercise 10: ความแปรปรวนเท่ากัน Exercise 11: ความเป็นโค้งปกติของแต่ละกลุ่ม Exercise 12: ANOVA Exercise 13: การทดสอบแบบไม่อิงพารามิเตอร์Exercise 14: เปรียบเทียบการจัดอันดับ Exercise 15: การเปรียบเทียบค่ามัธยฐาน

บทนี้จะวัดและแปลผล effect size ในสถานการณ์ต่าง ๆ ทำความรู้จักกับปัญหา multiple comparisons และศึกษา power ของการทดสอบอย่างละเอียด แม้ p-value จะบอกได้ว่ามีผลที่มีนัยสำคัญหรือไม่ แต่ไม่ได้บอกว่าผลนั้นแข็งแกร่งเพียงใด effect size ช่วยวัดความเข้มแข็งของผลที่เกิดจากตัวแปรกระทำ บทนี้จะทำให้เชี่ยวชาญปัจจัยที่เป็นรากฐานของ effect size

Exercise 1: ขนาดของเอฟเฟกต์Exercise 2: ขนาดผลกระทบสำหรับค่าเฉลี่ย Exercise 3: ขนาดของผลลัพธ์สำหรับความสัมพันธ์Exercise 4: ขนาดผลกระทบสำหรับตัวแปรเชิงหมวดหมู่Exercise 5: การเปรียบเทียบหลายครั้งและการแก้ไขค่า

แบบฝึกหัดปัจจุบัน

Exercise 6: ปัญหาการเปรียบเทียบหลายครั้ง (Multiple Comparisons Problem)Exercise 7: การแก้ไขแบบ Bonferroni-Holm Exercise 8: กำลังของการทดสอบ Exercise 9: กำลังสถิติ (Power) คืออะไร?Exercise 10: Power สำหรับการออกแบบการทดลอง Exercise 11: การคำนวณ Power และขนาดตัวอย่าง

บทนี้จะขยายชุดเครื่องมือสถิติอนุมานให้กว้างขึ้นด้วย bootstrapping การทดสอบแบบ permutation และวิธีการรวมหลักฐานจาก p-value Bootstrapping จะเปิดโลกการจำลองทางสถิติเป็นครั้งแรก ในบทเรียน meta-analysis จะได้เรียนรู้การรวมผลลัพธ์จากการศึกษาหลายชิ้นเข้าด้วยกัน และปิดท้ายด้วย permutation test ซึ่งเป็นเครื่องมือทางสถิตินอนพาราเมตริกที่ทรงพลังและยืดหยุ่น

Exercise 1: Bootstrapping Exercise 2: Bootstrap confidence intervals Exercise 3: Bootstrapping กับการสมมติการแจกแจงแบบปกติ Exercise 4: การรวมหลักฐานจาก p-value Exercise 5: Fisher's method ใน SciPy Exercise 6: การอนุมานด้วยวิธีของ Fisher Exercise 7: สรุปวิธีของ Fisher Exercise 8: การทดสอบด้วยการสลับเปลี่ยน (Permutation Tests)Exercise 9: Permutation Test สำหรับสหสัมพันธ์Exercise 10: การทดสอบเพอร์มิวเทชันและบูตสแตรป Exercise 11: วิเคราะห์ข้อมูลที่มีการกระจายแบบเบ้ด้วย Permutation Test Exercise 12: วิดีโอสรุปคอร์ส