p-값, 유의수준(α), 오류

Python으로 배우는 실험 설계

James Chapman

Curriculum Manager, DataCamp

p-값과 유의수준(α)

p-값: 귀무가설이 참일 때 관측된 데이터를 볼 확률
$\alpha$: 결과를 통계적으로 유의하다고 판단하는 기준
p-값 $\le \alpha$: 대립가설을 지지하며 귀무가설 기각

백개먼 보드

데이터세트: 작물 수확량

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

데이터 시각화

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

커널 밀도 추정 비교 플롯

독립 표본 t-검정 수행

$\alpha = 0.05$

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

실험 오류 살펴보기

통계적 오류 요약 표: 제1종 오류는 참인 귀무가설을 잘못 기각할 때 발생합니다. 제2종 오류는 거짓인 귀무가설을 기각하지 못할 때 발생합니다.

제1종 오류: 거짓 양성, 참인 귀무가설을 기각
제2종 오류: 거짓 음성, 거짓인 귀무가설을 기각하지 못함

유의수준(α) 더 알아보기

흔한 값: 0.05, 0.01, 0.10
- 제1종 오류 확률 5%, 1%, 10%를 의미
$\alpha$ 선택
- 연구 맥락에 따라
- 제1종 오류 허용 수준의 균형
관례:
- 0.05 (5%): 가장 흔함, 관례적 기준
- 0.01 (1%): 더 엄격, 제1종 오류 비용이 큰 경우
- 0.10 (10%): 예비 연구에서 때때로 사용, 제1종 오류 허용 높음

Ayo berlatih!

Python으로 배우는 실험 설계