ANOVA trong từng khối nhân viên

Tiếp nối các phân tích trước với công ty sản xuất, nơi năng suất lao động được xem xét theo các khối khác nhau và một chương trình khuyến khích đã được triển khai, giờ bạn sẽ đi sâu hơn vào dữ liệu. Công ty hiện có bộ dữ liệu đầy đủ hơn trong DataFrame productivity, bao gồm 1200 nhân viên bổ sung và productivity_score của họ, đồng thời đã phân nhóm lực lượng lao động thành ba khối dựa trên mức năng suất. Mỗi nhân viên được gán ngẫu nhiên một trong ba phương án khuyến khích: 'Bonus', 'Profit Sharing', hoặc 'Work from Home'.

Trước khi đánh giá đầy đủ tác động của các biện pháp khuyến khích này lên năng suất, điều quan trọng là xác minh rằng việc gán điều trị ban đầu thực sự ngẫu nhiên và công bằng giữa các khối năng suất khác nhau. Bước này giúp đảm bảo rằng mọi khác biệt quan sát được về năng suất sau điều trị có thể được quy cho chính các chương trình khuyến khích, thay vì những chênh lệch sẵn có giữa các khối.

Hàm f_oneway() từ scipy.stats đã được nạp sẵn cho bạn.

Bài tập này là một phần của khóa học

Thiết kế thí nghiệm với Python

Xem khóa học

Hướng dẫn bài tập

Nhóm prod_df theo cột thích hợp đại diện cho các khối khác nhau trong dữ liệu.
Dùng hàm lambda để áp dụng kiểm định ANOVA trong mỗi khối, chỉ định đối số cho hàm lambda.
Với mỗi nhóm điều trị trong các khối, lọc prod_df theo giá trị cột 'Treatment' và chọn cột 'productivity_score'.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Perform the within blocks ANOVA, first grouping by block
within_block_anova = prod_df.groupby('____').apply(
  # Set function
  lambda x: ____(
    # Filter Treatment values based on outcome
    x[x['____'] == '____']['____'], 
    x[x['____'] == '____']['____'],
    x[x['____'] == '____']['____'])
)
print(within_block_anova)

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Thiết kế thí nghiệm với Python

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Xây dựng kiến thức về thiết kế thí nghiệm giúp bạn kiểm định giả thuyết bằng các công cụ phân tích theo chuẩn thực hành tốt và định lượng rủi ro trong công việc. Bạn sẽ bắt đầu bằng cách đặt nền tảng: thiết kế thí nghiệm là gì và các thiết lập như chia khối (blocking) và phân tầng (stratification). Sau đó, bạn sẽ học và áp dụng các kiểm tra trực quan và phân tích về tính chuẩn (normality) của dữ liệu thí nghiệm.

Exercise 1: Thiết lập thí nghiệm Exercise 2: Gán đối tượng không ngẫu nhiên Exercise 3: Gán ngẫu nhiên các đối tượng Exercise 4: Thiết lập dữ liệu thực nghiệm Exercise 5: Chặn (blocking) dữ liệu thực nghiệm Exercise 6: Phân tầng một thí nghiệm Exercise 7: Cái nào đã được phân tầng?Exercise 8: Dữ liệu phân phối chuẩn Exercise 9: Tính bình thường trực quan trong một thí nghiệm nông nghiệp Exercise 10: Tính chuẩn theo phương pháp phân tích trong một thí nghiệm nông nghiệp

Bạn sẽ đi sâu vào các kỹ thuật thiết kế thí nghiệm nâng cao, tập trung vào thiết kế nhân tố, thiết kế khối ngẫu nhiên và điều chỉnh theo biến đồng biến (covariate). Các phương pháp này đóng vai trò then chốt trong việc nâng cao độ chính xác, hiệu quả và khả năng diễn giải kết quả thí nghiệm. Thông qua kết hợp giữa nền tảng lý thuyết và ứng dụng thực hành, bạn sẽ có được kỹ năng để thiết kế, triển khai và phân tích các thí nghiệm phức tạp trong nhiều lĩnh vực nghiên cứu.

Exercise 1: Thiết kế thừa số: nguyên lý và ứng dụng Exercise 2: Hiểu hiệu quả chiến dịch marketing Exercise 3: Heatmap về tương tác của chiến dịch Exercise 4: Thiết kế thừa số và thiết kế khối ngẫu nhiên Exercise 5: Thiết kế khối ngẫu nhiên: kiểm soát phương sai Exercise 6: Triển khai thiết kế khối ngẫu nhiên Exercise 7: Trực quan hóa năng suất trong từng block theo hình thức khuyến khích Exercise 8: ANOVA trong từng khối nhân viên

Bài tập hiện tại

Exercise 9: Điều chỉnh biến đồng biến trong thiết kế thí nghiệm Exercise 10: Tầm quan trọng của covariate Exercise 11: Điều chỉnh biến đồng biến với tăng trưởng của gà con

Làm chủ các kiểm định thống kê như t-test, ANOVA và Chi-Square, và đào sâu vào phân tích hậu nghiệm cùng những điều cốt lõi của phân tích power. Học cách chọn đúng kiểm định, diễn giải p-value và các loại sai số, và thực hiện phân tích power để xác định cỡ mẫu và kích thước hiệu ứng, đồng thời tận dụng các thư viện mạnh mẽ của Python để biến insight từ dữ liệu thành hiện thực.

Exercise 1: Chọn phép kiểm định thống kê phù hợp Exercise 2: Chọn phép kiểm định phù hợp: hoá dầu Exercise 3: Chọn đúng phép kiểm định: nhân sự Exercise 4: Chọn đúng phép kiểm định: tài chính Exercise 5: Phân tích hậu kiểm sau ANOVA Exercise 6: ANOVA cho các phương pháp điều trị lo âu Exercise 7: Áp dụng Tukey's HSD Exercise 8: Áp dụng hiệu chỉnh Bonferroni Exercise 9: P-value, alpha và sai số Exercise 10: Phân tích độ bền đồ chơi Exercise 11: Trực quan hóa khác biệt về độ bền Exercise 12: Vai trò của mức ý nghĩa Exercise 13: Phân tích lực (power): cỡ mẫu và kích thước hiệu ứng Exercise 14: Mục đích của kích thước hiệu ứng Exercise 15: Ước tính cỡ mẫu cần thiết cho nghiên cứu năng lượng

Bước vào những phức tạp trong phân tích dữ liệu thí nghiệm. Học cách tổng hợp insight bằng pandas, xử lý các vấn đề dữ liệu như phương sai không đồng nhất với scipy.stats, và áp dụng các kiểm định phi tham số như Mann-Whitney U. Tìm hiểu thêm các kỹ thuật biến đổi, trực quan hóa và diễn giải dữ liệu phức tạp, nâng cao khả năng thực hiện các phân tích vững chắc trong nhiều bối cảnh thí nghiệm.

Exercise 1: Tổng hợp insight từ các thí nghiệm phức tạp Exercise 2: Trực quan hóa tỷ suất phê duyệt khoản vay Exercise 3: Khám phá mức độ hài lòng của khách hàng Exercise 4: Truyền đạt dữ liệu thực nghiệm một cách hiệu quả Exercise 5: Xử lý các yếu tố phức tạp trong dữ liệu thực nghiệm Exercise 6: Kiểm tra phương sai thay đổi trong thời hạn sử dụng Exercise 7: Khám phá và biến đổi dữ liệu hạn sử dụng Exercise 8: Áp dụng kiểm định phi tham số trong phân tích thực nghiệm Exercise 9: Trực quan hóa và kiểm định các phương pháp bảo quản Exercise 10: Phân tích sâu hơn các kỹ thuật bảo quản thực phẩm Exercise 11: Chúc mừng bạn!