P-value, alpha và lỗi

Thiết kế thí nghiệm với Python

James Chapman

Curriculum Manager, DataCamp

P-value và alpha

P-value: xác suất quan sát được dữ liệu nếu giả thuyết không đúng
$\alpha$: ngưỡng để xem kết quả là có ý nghĩa thống kê
P-value $\le \alpha$: Bác bỏ giả thuyết không, ủng hộ giả thuyết đối

Bàn cờ backgammon

Bộ dữ liệu: năng suất cây trồng

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

Trực quan hóa dữ liệu

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

Biểu đồ so sánh ước lượng mật độ kernel

Thực hiện t-test hai mẫu độc lập

$\alpha = 0.05$

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

Tìm hiểu lỗi thực nghiệm

Bảng tóm tắt lỗi thống kê: Lỗi loại I xảy ra khi ta bác bỏ sai một giả thuyết không đúng. Lỗi loại II xảy ra khi ta không bác bỏ một giả thuyết không sai.

Lỗi loại I: Dương tính giả, bác bỏ sai giả thuyết không đúng
Lỗi loại II: Âm tính giả, không bác bỏ giả thuyết không khi nó sai

Tìm hiểu thêm về alpha

Giá trị thường dùng: 0.05, 0.01 và 0.10
- Tương ứng xác suất 5%, 1% và 10% mắc lỗi loại I
Chọn $\alpha$
- Dựa trên bối cảnh nghiên cứu
- Cân bằng mức chấp nhận lỗi loại I
Quy ước:
- 0.05 (5%): Phổ biến nhất, dùng như quy ước
- 0.01 (1%): Kiểm định nghiêm ngặt hơn, khi chi phí lỗi loại I cao
- 0.10 (10%): Đôi khi cho nghiên cứu sơ bộ, chấp nhận lỗi loại I cao hơn

Cùng luyện tập nào!

Thiết kế thí nghiệm với Python