Eşit varyans

Farklı sektörler, girişim sermayedarlarından (VC) farklı seviyelerde yatırım alır. Ancak VC yatırımlarından bir örnekleme bakıp ortalama tutarlarda küçük farklılıklar görürsen, bu farkın istatistiksel olarak anlamlı olduğunu varsaymak makul olur mu? Bu, ANOVA için mükemmel bir durumdur. Ancak ANOVA'nın kilit koşullarından biri, tüm örneklem grupları arasında varyansların eşit olmasıdır. Bu egzersizde, eşit varyans için Levene testini kullanarak bunu sınayacaksın.

Üç sektöre (Biotechnology, Enterprise Software ve Health Care) ait yatırımların bulunduğu bir pandas DataFrame'i investments_df olarak yüklendi. Ayrıca pandas pd, NumPy np, Matplotlib plt ve SciPy'nin stats paketi de senin için yüklendi.

Bu egzersiz

Python'da Çıkarımın Temelleri

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Verilen sütun adlarını kullanarak investments_df içinden her bir market için fonlamayı ayrı ayrı seç.
Aşağıdaki sırayla her sektör çifti için eşit varyans Levene testlerini yap: (i) Biotechnology ve Enterprise Software, (ii) Biotechnology ve Health Care ve (iii) Enterprise Software ve Health Care. Sırasıyla bunları statistic1, statistic2 ve statistic3 değişkenlerine karşılık gelecek şekilde ata.
Her durumda, eşit varyans boş hipotezinin reddedilip reddedilmediğini belirten bir Boole değeri döndür.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Select each industry separately
biotech_df = ____
enterprise_df = ____
health_df = ____

# Conduct Levene tests for equal variance between funding_total_usd for all pairs of industries
statistic_1, p_value_1 = ____
statistic_2, p_value_2 = ____
statistic_3, p_value_3 = ____

# Print if the p-value is significant at the 5% level
print(____)
print(____)
print(____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python'da Çıkarımın Temelleri

kursunun bir parçasıdır

AvançadoNível de habilidade

4.9+

Kursa Ücretsiz Başlayın

In this chapter, we'll explore the relationship between samples and statistically justifiable conclusions. Choosing a sample is the basis of making sound statistical decisions, and we’ll explore how the choice of a sample affects the outcome of your inference.

Exercise 1: Statistical inference and random sampling Exercise 2: Sampling and point estimates Exercise 3: Repeated sampling, point estimates and inference Exercise 4: Sampling and bias Exercise 5: Visualizing samples Exercise 6: Inference and bias Exercise 7: Confidence intervals and sampling Exercise 8: Normal sampling distributions Exercise 9: Calculating confidence intervals Exercise 10: Drawing conclusions from samples

Learn all about applying normality tests, correlation tests, and parametric and non-parametric tests for sound inference. Hypothesis tests are tools, and choosing the right tool for the job is critical for statistical decision-making. While you may be familiar with some of these tests in introductory courses, you'll go deeper to enhance your inferential toolkit in this chapter.

Exercise 1: Normallik testleri Exercise 2: Normallik testi Exercise 3: Hataların dağılımı Exercise 4: Normal dağılım uydurma Exercise 5: Korelasyon testleri Exercise 6: Korelasyon testi Exercise 7: Otokorelasyon Exercise 8: Açıklanan varyans Exercise 9: Parametrik testler Exercise 10: Eşit varyans

Geçerli Egzersiz

Exercise 11: Grupların normalliği Exercise 12: ANOVA Exercise 13: Parametrik olmayan testler Exercise 14: Sıralamaları karşılaştırma Exercise 15: Medyanları karşılaştırma

In this chapter, you'll measure and interpret effect size in various situations, encounter the multiple comparisons problem, and explore the power of a test in depth. While p-values tell you if a significant effect is present, they don't tell you how strong that effect is. Effect size measures how strong an effect a treatment has. Master the factors underpinning effect size in this chapter.

Exercise 1: Effect size Exercise 2: Effect size for means Exercise 3: Effect size for correlations Exercise 4: Effect size for categorical variables Exercise 5: Multiple comparisons and corrections Exercise 6: Multiple comparisons problem Exercise 7: Bonferonni-Holm correction Exercise 8: Power of a test Exercise 9: What is power anyway?Exercise 10: Power for experimental design Exercise 11: Computing power and sample sizes

You’ll expand your inferential statistics toolkit further with a look at bootstrapping, permutation tests, and methods of combining evidence from p-values. Bootstrapping will provide you with a first look at statistical simulation. In the lesson meta-analysis, you’ll learn all about combining results from multiple studies. You’ll end with a look at permutation tests, a powerful and flexible non-parametric statistical tool.

Exercise 1: Bootstrapping Exercise 2: Bootstrap confidence intervals Exercise 3: Bootstrapping vs. normality Exercise 4: Combining evidence from p-values Exercise 5: Fisher's method in SciPy Exercise 6: Inference using Fisher's method Exercise 7: Summarizing Fisher's method Exercise 8: Permutation tests Exercise 9: Permutation tests for correlations Exercise 10: Permutation tests and bootstrapping Exercise 11: Analyzing skewed data with a permutation test Exercise 12: Course wrap-up video