P-value, alfa, dan galat

Perancangan Eksperimen dengan Python

James Chapman

Curriculum Manager, DataCamp

P-value dan alfa

P-value: peluang mengamati data kita jika hipotesis nol benar
$\alpha$: ambang untuk menyatakan hasil signifikan secara statistik
P-value $\le \alpha$: Tolak H0, dukung hipotesis alternatif

Papan backgammon

Dataset: hasil panen

crop_yields.head()

  Fertilizer_Type  Crop_Yield
0         Organic      26.225
1       Synthetic      17.452
2         Organic      22.283
3       Synthetic      23.548
4       Synthetic      24.138

Memvisualisasikan data

import seaborn as sns
sns.displot(data=crop_data, x="Crop_Yield", hue="Fertilizer_Type", kind="kde")

Plot perbandingan Kernel Density Estimator

Melakukan uji t sampel independen

$\alpha = 0.05$

from scipy.stats import ttest_ind
organic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Organic']
['Crop_Yield']
synthetic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Synthetic']
['Crop_Yield']
t_stat, p_val = ttest_ind(organic_yield, synthetic_yield)
print(p_val)

1.8496748715743899e-209

Menjelajahi galat eksperimen

Tabel yang merangkum galat statistik: Galat Tipe I terjadi saat kita keliru menolak hipotesis nol yang benar. Galat Tipe II terjadi saat kita gagal menolak hipotesis nol yang salah.

Galat Tipe I: Positif palsu, menolak H0 yang benar
Galat Tipe II: Negatif palsu, gagal menolak H0 yang salah

Lebih lanjut tentang alfa

Nilai umum: 0,05; 0,01; 0,10
- Mencerminkan peluang 5%, 1%, dan 10% membuat galat Tipe I
Memilih $\alpha$
- Berdasar konteks studi
- Menyeimbangkan toleransi galat Tipe I
Konvensi:
- 0,05 (5%): Paling umum, standar praktik
- 0,01 (1%): Uji lebih ketat, saat biaya galat Tipe I tinggi
- 0,10 (10%): Kadang untuk studi pendahuluan, toleransi galat Tipe I lebih tinggi

Ayo berlatih!

Perancangan Eksperimen dengan Python