Build your ultimate AI agent
Opis kursu
Jednym z fundamentalnych elementów analizy statystycznej jest wnioskowanie – czyli proces wyciągania wniosków o całej populacji na podstawie próbki danych. Choć może to wydawać się nieintuicyjne, standardową praktyką jest próba obalenia hipotezy badawczej, która nie jest przedmiotem zainteresowania. Na przykład, aby wykazać, że jedna metoda leczenia jest skuteczniejsza od drugiej, zakładamy, że obie prowadzą do takich samych wskaźników przeżywalności – a następnie sprawdzamy, czy dane to obalają. Wprowadzamy również pojęcie wartości p, czyli miary niezgodności między danymi a hipotezą. Omawiamy też przedziały ufności, które pozwalają ocenić wielkość badanego efektu (np. o ile jedna metoda leczenia jest lepsza od drugiej).
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie do idei wnioskowania statystycznego
W tym rozdziale zbadasz, jak kolejne próbki pobierane z populacji mogą się od siebie różnić. To właśnie zmienność próbek pozwala formułować wnioski dotyczące interesującej cię populacji. Warto pamiętać, że hipotezy badawcze dotyczą populacji, podczas gdy dostępne informacje pochodzą wyłącznie z danych próbki.
- Witaj na kursie!50 XP
- Hipotezy (1)50 XP
- Hipotezy (2)50 XP
- Rozkłady losowe50 XP
- Praca z danymi NHANES100 XP
- Obliczanie statystyki testowej100 XP
- Losowe dane w ramach modelu zerowego niezależności100 XP
- Losowe statystyki i wykres kropkowy100 XP
- Gęstość rozkładu randomizacji100 XP
- Korzystanie z rozkładu randomizacyjnego50 XP
- Czy dane pochodzą z populacji?100 XP
- Jakie możesz wyciągnąć wnioski?50 XP
- Wnioski z badania50 XP
2
Przeprowadzanie testu randomizacyjnego: dyskryminacja ze względu na płeć
W tym rozdziale zdobędziesz narzędzia i wiedzę potrzebne do przeprowadzenia pełnego testu hipotezy. Czyli: mając dany zbiór danych, będziesz wiedzieć, czy odrzucenie hipotezy zerowej na rzecz badanej hipotezy jest uzasadnione.
3
Błędy w testowaniu hipotez: koszt alternatywny
Będziesz kontynuować naukę testowania hipotez na nowym przykładzie, korzystając z tej samej struktury testów randomizacyjnych. W tym rozdziale skupimy się jednak na różnych rodzajach błędów (typu I i II): jak do nich dochodzi, kiedy jeden jest poważniejszy od drugiego oraz jak czynniki takie jak wielkość próby i wielkość efektu wpływają na częstość błędów.
4
Przedziały ufności
Jako uzupełnienie testowania hipotez, przedziały ufności pozwalają szacować parametry populacji. Pamiętaj, że zawsze interesuje cię jakaś cecha całej populacji, ale dysponujesz jedynie niepełnymi informacjami – szacujesz parametr na podstawie danych z próbki. W tym rozdziale parametrem jest rzeczywista proporcja sukcesów w populacji. Do oszacowania zmienności potrzebnej do wyznaczenia przedziału ufności wykorzystamy metodę bootstrappingu.
R
Podstawy wnioskowania statystycznego w R
Kurs
ukończony
