P-värden, alpha och fel

Experimentell design i Python

James Chapman

Curriculum Manager, DataCamp

P-värden och alpha

P-värden: sannolikheten att observera våra data om nollhypotesen vore sann
$\alpha$: tröskel vid vilken vi bedömer resultaten som statistiskt signifikanta
P-värde $\le \alpha$: Förkasta nollhypotesen till förmån för alternativhypotesen

Backgammonbräde

Datamängden: skörderesultat

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

Visualisera datan

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

Jämförande kärneldensitetsplot

Genomföra ett oberoende t-test

$\alpha = 0.05$

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

Statistiska fel

En tabell som sammanfattar statistiska fel: Typ I-fel uppstår när vi felaktigt förkastar en sann nollhypotes. Typ II-fel uppstår när vi misslyckas med att förkasta en falsk nollhypotes.

Typ I-fel: Falskt positivt – nollhypotesen förkastas trots att den är sann
Typ II-fel: Falskt negativt – en falsk nollhypotes förkastas inte

Mer om alpha

Vanliga värden: 0,05, 0,01 och 0,10
- Motsvarar 5 %, 1 % respektive 10 % sannolikhet för ett Typ I-fel
Val av $\alpha$
- Baseras på studiens sammanhang
- Avväger toleransen för Typ I-fel
Konventioner:
- 0,05 (5 %): Vanligast, används som standard
- 0,01 (1 %): Strängare test, när kostnaden för Typ I-fel är hög
- 0,10 (10 %): Används ibland i preliminära studier, där toleransen för Typ I-fel är högre

Nu kör vi en övning!

Experimentell design i Python