P-value, alpha และข้อผิดพลาด

การออกแบบการทดลองด้วย Python

James Chapman

Curriculum Manager, DataCamp

P-value และ alpha

P-value: ความน่าจะเป็นที่จะสังเกตเห็นข้อมูลของเรา หากสมมติฐานหลักเป็นจริง
$\alpha$: เกณฑ์ที่ถือว่าผลลัพธ์มี นัยสำคัญทางสถิติ
P-value $\le \alpha$: ปฏิเสธสมมติฐานหลักในทางที่สนับสนุนสมมติฐานทางเลือก

กระดานแบ็กแกมมอน

ชุดข้อมูล: ผลผลิตพืช

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

การแสดงผลข้อมูล

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

กราฟ Kernel Density Estimator เปรียบเทียบ

การทดสอบ t-test แบบสองกลุ่มอิสระ

$\alpha = 0.05$

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

ข้อผิดพลาดในการทดลอง

ตารางสรุปข้อผิดพลาดทางสถิติ: ข้อผิดพลาดประเภท I เกิดขึ้นเมื่อเราปฏิเสธสมมติฐานหลักที่เป็นจริงอย่างผิดพลาด ข้อผิดพลาดประเภท II เกิดขึ้นเมื่อเราไม่สามารถปฏิเสธสมมติฐานหลักที่เป็นเท็จได้

ข้อผิดพลาดประเภท I: False positive คือการปฏิเสธสมมติฐานหลักที่เป็นจริงอย่างผิดพลาด
ข้อผิดพลาดประเภท II: False negative คือการไม่สามารถปฏิเสธสมมติฐานหลักที่เป็นเท็จได้

เพิ่มเติมเกี่ยวกับ alpha

ค่าที่ใช้บ่อย: 0.05, 0.01 และ 0.10
- สะท้อนความน่าจะเป็น 5%, 1% และ 10% ของการเกิดข้อผิดพลาดประเภท I
การเลือกค่า $\alpha$
- ขึ้นอยู่กับบริบทของการศึกษา
- ต้องสมดุลระหว่างความยอมรับต่อข้อผิดพลาดประเภท I
ค่าแนะนำ:
- 0.05 (5%): พบบ่อยที่สุด ใช้เป็นมาตรฐานทั่วไป
- 0.01 (1%): เข้มงวดกว่า ใช้เมื่อข้อผิดพลาดประเภท I มีต้นทุนสูง
- 0.10 (10%): ใช้บางครั้งในการศึกษาเบื้องต้น เมื่อยอมรับข้อผิดพลาดประเภท I ได้มากกว่า

มาฝึกกันเถอะ!

การออกแบบการทดลองด้วย Python