視覺化這個關係
既然我們已經討論了對某些錯誤的影響，並為不同的檢定力計算了所需的樣本數，現在先退一步，利用一個實用的圖表，來觀察檢定力與樣本數之間的關係。
在這個練習中，我們將改用 t 檢定而非 z 檢定。為了視覺化這個關係，請使用 plot_power() 函式，令 x 軸為樣本數、y 軸為檢定力，不同的曲線代表不同的最小效果量。
本練習屬於課程
用 Python 練習統計面試題
練習說明
- 建立一個
TTestIndPower()物件並指定給變數results。 - 使用
plot_power()並填入合適的參數值，將檢定力與樣本數的關係視覺化；你觀察到什麼？
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
sample_sizes = np.array(range(5, 100))
effect_sizes = np.array([0.2, 0.5, 0.8])
# Create results object for t-test analysis
from statsmodels.stats.power import TTestIndPower
results = ____
# Plot the power analysis
results.plot_power(dep_var='nobs', nobs=____, effect_size=____)
plt.show()