Wartości p, alfa i błędy

Projektowanie eksperymentów w Pythonie

James Chapman

Curriculum Manager, DataCamp

Wartości p i alfa

 

  • Wartości p: prawdopodobieństwo zaobserwowania danych przy założeniu prawdziwości hipotezy zerowej

  • $\alpha$: próg, przy którym wyniki uznajemy za statystycznie istotne

  • Wartość p $\le \alpha$: odrzucenie hipotezy zerowej na rzecz alternatywnej

 

Plansza do backgammona

Projektowanie eksperymentów w Pythonie

Zbiór danych: plony upraw

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
Projektowanie eksperymentów w Pythonie

Wizualizacja danych

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

Wykres porównawczy estymatora jądrowego gęstości

Projektowanie eksperymentów w Pythonie

Przeprowadzanie testu t dla prób niezależnych

$\alpha = 0.05$

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
Projektowanie eksperymentów w Pythonie

Błędy eksperymentalne

Tabela podsumowująca błędy statystyczne: błędy I rodzaju polegają na niepoprawnym odrzuceniu prawdziwej hipotezy zerowej. Błędy II rodzaju polegają na nieodrzuceniu fałszywej hipotezy zerowej.

  • Błąd I rodzaju: fałszywy alarm, odrzucenie prawdziwej hipotezy zerowej
  • Błąd II rodzaju: fałszywy wynik negatywny, brak odrzucenia fałszywej hipotezy zerowej
Projektowanie eksperymentów w Pythonie

Więcej o alfie

  • Typowe wartości: 0,05; 0,01 i 0,10
    • Oznaczają 5%, 1% i 10% prawdopodobieństwo popełnienia błędu I rodzaju
  • Wybór $\alpha$
    • Na podstawie kontekstu badania
    • Równoważenie tolerancji dla błędu I rodzaju
  • Konwencje:
    • 0,05 (5%): Najczęstsze, stosowane jako standard
    • 0,01 (1%): Bardziej rygorystyczne testy, gdy koszt błędu I rodzaju jest wysoki
    • 0,10 (10%): Stosowane w badaniach wstępnych, z wyższą tolerancją dla błędu I rodzaju
Projektowanie eksperymentów w Pythonie

Czas na ćwiczenia!

Projektowanie eksperymentów w Pythonie

Preparing Video For Download...