นัยสำคัญทางสถิติ

การทดสอบสมมติฐานด้วย Python

James Chapman

Curriculum Manager, DataCamp

ทบทวน p-value

p-value วัดระดับหลักฐานสำหรับสมมติฐานหลัก
p-value สูง → ไม่ปฏิเสธสมมติฐานหลัก
p-value ต่ำ → ปฏิเสธสมมติฐานหลัก
จุดตัดสินอยู่ที่ไหน?

ระดับนัยสำคัญ

ระดับนัยสำคัญ ของการทดสอบสมมติฐาน ($\alpha$) คือเกณฑ์ที่ใช้ตัดสิน "เกินข้อสงสัยที่สมเหตุสมผล"

ค่า $\alpha$ ที่ใช้บ่อยได้แก่ 0.2, 0.1, 0.05 และ 0.01
ถ้า $p \le \alpha$ ให้ปฏิเสธ $H_{0}$ มิฉะนั้นไม่ปฏิเสธ $H_{0}$
ควรกำหนด $\alpha$ ก่อน ทำการทดสอบสมมติฐาน

การคำนวณ p-value

alpha = 0.05

prop_child_samp = (stack_overflow['age_first_code_cut'] == "child").mean()
prop_child_hyp = 0.35

std_error = np.std(first_code_boot_distn, ddof=1)

z_score = (prop_child_samp - prop_child_hyp) / std_error

p_value = 1 - norm.cdf(z_score, loc=0, scale=1)

3.1471479512323874e-05

การตัดสินใจ

alpha = 0.05

print(p_value)

3.1471479512323874e-05

p_value <= alpha

True

ปฏิเสธ $H_{0}$ เพื่อยืนยัน $H_{A}$

ช่วงความเชื่อมั่น

สำหรับระดับนัยสำคัญ $\alpha$ นิยมเลือกระดับความเชื่อมั่นเป็น 1 - $\alpha$

$\alpha=0.05$ → ช่วงความเชื่อมั่น $95\%$

import numpy as np
lower = np.quantile(first_code_boot_distn, 0.025)
upper = np.quantile(first_code_boot_distn, 0.975)
print((lower, upper))

(0.37063246351172047, 0.41132242370632466)

ประเภทของข้อผิดพลาด

	ไม่ได้ก่ออาชญากรรมจริง	ก่ออาชญากรรมจริง
ตัดสินว่าไม่มีความผิด	ถูกต้อง	ลอยนวล
ตัดสินว่ามีความผิด	ตัดสินผิดพลาด	ถูกต้อง

	$H_{0}$ จริง	$H_{A}$ จริง
เลือก $H_{0}$	ถูกต้อง	ผลลบลวง
เลือก $H_{A}$	ผลบวกลวง	ถูกต้อง

ผลบวกลวงคือ ข้อผิดพลาดประเภท I และผลลบลวงคือ ข้อผิดพลาดประเภท II

ข้อผิดพลาดที่อาจเกิดขึ้นในตัวอย่างนี้

ถ้า $p \le \alpha$ เราปฏิเสธ $H_{0}$:

ข้อผิดพลาดผลบวกลวง (ประเภท I): นักวิทยาศาสตร์ข้อมูลไม่ได้เริ่มเขียนโค้ดตั้งแต่เด็กในอัตราที่สูงกว่า

ถ้า $ p \gt \alpha$ เราไม่ปฏิเสธ $H_{0}$:

ข้อผิดพลาดผลลบลวง (ประเภท II): นักวิทยาศาสตร์ข้อมูลเริ่มเขียนโค้ดตั้งแต่เด็กในอัตราที่สูงกว่า

มาฝึกกันเถอะ!

การทดสอบสมมติฐานด้วย Python