可视化这种关系
既然我们已经讨论了对某些错误的影响，并计算了不同检验效能对应所需的样本量，现在让我们退一步，用一张有用的图来看看检验效能与样本量之间的关系。
在本练习中，我们将把重点从 z 检验切换到 t 检验。为进行可视化，请使用 plot_power() 函数：横轴显示样本量，纵轴显示检验效能，不同的曲线代表不同的最小效应量。
本练习是课程的一部分
用 Python 练习统计学面试题
练习说明
- 将一个
TTestIndPower()对象赋给变量results。 - 使用
plot_power()函数并传入合适的参数值，可视化检验效能与样本量之间的关系；您观察到了什么？
交互式实操练习
通过完成这段示例代码来试试这个练习。
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()