Що таке p-значення?

Загалом p-значення — це міра:

Ця вправа є частиною курсу

Статистичне мислення в Python (Частина 2)

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Статистичне мислення в Python (Частина 2)

SkillTag.level.intermediateSkillTag.label

4.8+

256 reviews

Почніть курс безкоштовно

Під час статистичного висновування ми говоримо мовою ймовірностей. Розподіл імовірностей, що описує ваші дані, має параметри. Отже, одне з головних завдань статистичного висновування — оцінити значення цих параметрів. Це дає змогу стисло й однозначно описати дані та зробити з них висновки. У цьому розділі ви навчитеся знаходити оптимальні параметри — ті, що найкраще описують ваші дані.

Exercise 1: Оптимальні параметри Exercise 2: Як часто трапляються no-hitter'и?Exercise 3: Чи відповідають дані нашій історії?Exercise 4: Чому цей параметр є оптимальним?Exercise 5: Лінійна регресія методом найменших квадратів Exercise 6: EDA для даних про грамотність/народжуваність Exercise 7: Лінійна регресія Exercise 8: Наскільки це оптимально?Exercise 9: Важливість розвідувального аналізу даних: квартет Анскомба Exercise 10: Чому EDA важливий Exercise 11: Лінійна регресія на відповідних даних Анскомба Exercise 12: Лінійна регресія для всіх даних Енскомба

Вираз «to pull yourself up by your bootstraps» означає самотужки впоратися зі складним завданням без сторонньої допомоги. У статистичному висновуванні вам хочеться знати, що сталося б, якби ви могли нескінченно багато разів повторювати збирання даних. Це неможливо. Але чи можемо ми використати лише наявні дані, щоб отримати результат, максимально близький до того, що дали б безліч експериментів? Так! Метод, що це дозволяє, влучно називається бутстрепом. У цьому розділі ви познайомитеся з цим надзвичайно потужним інструментом.

Exercise 1: Генерування бутстрапових реплік Exercise 2: Розбираємося з термінами Exercise 3: Бутстреп вручну Exercise 4: Візуалізація бутстреп-зразків Exercise 5: Довірчі інтервали bootstrap Exercise 6: Генерування багатьох бутстреп-реплікâtів Exercise 7: Бутстреп-реплікати середнього та SEM Exercise 8: Довірчі інтервали для даних про опади Exercise 9: Бутстреп-реплікати інших статистик Exercise 10: Довірчий інтервал для частоти «no-hitter»Exercise 11: Парний bootstrap Exercise 12: Функція для парного bootstrap Exercise 13: Парний bootstrap для даних про неписьменність/народжуваність Exercise 14: Візуалізація бутстреп‑регресій

Тепер ви вмієте визначати й оцінювати параметри за заданою моделлю. Але постає питання: наскільки правдоподібно спостерігати ваші дані, якщо модель істинна? На це відповідає перевірка гіпотез. Це своєрідна «вишенька на торті» статистичного висновування. Після цього розділу ви зможете ретельно формулювати та перевіряти гіпотези, використовуючи hacker statistics.

Exercise 1: Формулювання та моделювання гіпотези Exercise 2: Генерування перестановкової вибірки Exercise 3: Візуалізація перестановочного вибірковування Exercise 4: Статистики тесту та p-значення Exercise 5: Перевірні статистики Exercise 6: Що таке p-значення?

Поточна вправа

Exercise 7: Генерування перестановочних реплік Exercise 8: Подивіться, перш ніж стрибати: EDA перед перевіркою гіпотез Exercise 9: Перестановочний тест на даних про жаб Exercise 10: Перевірки гіпотез за допомогою бутстрепу Exercise 11: Одновибірковий бутстреп-тест гіпотези Exercise 12: Двовибірковий бутстреп-тест гіпотези для різниці середніх

Як ви побачили в попередньому розділі, перевірка гіпотез може бути непростою. Потрібно визначити нульову гіпотезу, зрозуміти, як її змоделювати, і чітко окреслити, що означає «більш екстремальне», щоб обчислити p-значення. Як і будь-яка навичка, це потребує практики. У цьому розділі ви отримаєте хорошу практику роботи з перевірками гіпотез.

Exercise 1: A/B‑тестування Exercise 2: Голосування за Закон про громадянські права 1964 року Exercise 3: Що є еквівалентним?Exercise 4: Аналогія з часом на вебсайті Exercise 5: Що ви мали зробити спочатку?Exercise 6: Перевірка кореляції Exercise 7: Моделювання нульової гіпотези щодо кореляції Exercise 8: Перевірка гіпотези для кореляції Пірсона Exercise 9: Чи мають неонікотиноїдні інсектициди небажані наслідки?Exercise 10: Бутстреп-перевірка гіпотези для кількості сперматозоїдів бджіл

Щороку протягом понад 40 років Пітер і Розмарі Ґрант відвідують острів Дафна-Мейджор у Галапагосах і збирають дані про в'юрків Дарвіна. Використовуючи навички статистичного висновування, у цьому розділі ви попрацюєте з їхніми даними й на власні очі побачите, як еволюція проявляється в даних. Це захопливе завершення курсу!

Exercise 1: Дзьоби в'юрків і навіщо нам статистика Exercise 2: Розвідковий аналіз (EDA) глибин дзьоба у в'юрків Дарвіна Exercise 3: ECDF для глибин дзьоба Exercise 4: Оцінки параметрів глибин дзьоба Exercise 5: Перевірка гіпотези: чи стали дзьоби глибшими у 2012 році?Exercise 6: Різноманіття форм дзьобів Exercise 7: EDA: довжина та глибина дзьоба Exercise 8: Лінійні регресії Exercise 9: Відображення результатів лінійної регресії Exercise 10: Відношення довжини до глибини дзьоба Exercise 11: Наскільки відрізняється відношення?Exercise 12: Обчислення спадковості Exercise 13: Розвідувальний аналіз спадковості (EDA)Exercise 14: Кореляція між нащадками та батьками Exercise 15: Кореляція Пірсона між нащадками та батьками Exercise 16: Вимірювання спадковості Exercise 17: Чи взагалі успадковується глибина дзьоба в G. scandens?Exercise 18: Наостанок