Hoppa till huvudinnehållet

Kurs

Experimentell design i R

MedelnivåKunskapsnivå

Uppdaterad 2025-12

I den här kursen lär du dig grundläggande experimentell design, en avgörande del av all dataanalys.

Starta kursen gratis

RProbability & Statistics

4 tim

13 videor

53 Övningar

4,450 XP

20,433

Intyg om genomförande

Omtyckt av lärande på tusentals företag

Utbildar du ett team?

Prova för företag

Kursbeskrivning

Experimentell design är en central del av dataanalys inom alla områden – oavsett om du arbetar inom näringsliv, hälsa eller teknik. Om du vill använda data för att besvara en fråga behöver du designa ett experiment. I den här kursen lär du dig grunderna i experimentell design, inklusive blockdesigner och faktoriella designer, samt vanliga statistiska tester som t-test och ANOVA. Du använder inbyggda R-data och verkliga datamängder, bland annat CDC NHANES-undersökningen, SAT-resultat från New Yorks kommunala skolor och lånedata från Lending Club. Efter kursen kan du designa och analysera dina egna experiment!

Förkunskapskrav

Hypothesis Testing in R

1

Introduktion till experimentell design

En introduktion till centrala delar av experimentell design samt beräkningar av teststyrka och urvalsstorlek.

Introduktion till experimentell design

Ett grundläggande experiment

Randomisering

Replikering och blockering

Replikering

Hypotestestning

Enkelriktade och dubbelriktade test

Utforskning av hjälpdokumentation för pwr-paketet

Styrka och urvalsstorleksberäkningar

2

Grundläggande experiment

Utforska Lending Club-datamängden och bygg och validera grundläggande experiment, inklusive ett A/B-test.

ANOVA, enkel- och flerfaktorexperiment

Exploratory dataanalys (EDA) – Lending Club

Hur påverkar lånesyftet det beviljade beloppet?

Vilket medelvärde för lånesyfte skiljer sig?

Experiment med flera faktorer

Modellvalidering

EDA inför modellering

Valideringsplottar efter modellering + varians

Kruskal-Wallis rangordningstest

A/B-testning

Vilket test väljer du efter ett A/B-test?

Urvalsstorlek för A/B-test

Grundläggande A/B-test

A/B-tester vs. multivariabla experiment

3

Randomiserade fullständiga och balanserade ofullständiga blockdesigner

Använd NHANES-data för att bygga ett RCBD- och BIBD-experiment, inklusive modellvalidering och designtips för att säkerställa att BIBD är giltig.

Introduktion till NHANES och urval

Konstruktion av NHANES-datamängden

EDA med NHANES

Datarensning av NHANES

Omsampling av NHANES-data

Randomiserade fullständiga blockdesigner (RCBD)

Vilket är INTE en bra blockeringsfaktor?

Rita RCBD-designer med Agricolae

NHANES RCBD

Modellvalidering av RCBD

Balanserade ofullständiga blockdesigner (BIBD)

Är ett BIBD ens möjligt?

Rita BIBD-designer med agricolae

BIBD – kattnjurarnas funktion

NHANES BIBD

4

Latinkvadrat, Graeco-latinkvadrat och faktoriella experiment

Analysera SAT-resultatdata från NYC och hantera saknade värden, och utvärdera sedan latinkvadrat-, Graeco-latinkvadrat- och faktoriella experiment.

Latinska kvadrater

Explorativ dataanalys av SAT-poäng i NYC

Hantera saknade testresultat

Rita latinska kvadrater med agricolae

Latinskt kvadratdesign med NYC SAT-poäng

Graeco-latinska kvadrater

Datavisualisering av NYC SAT-poäng

Rita Graeco-latinska kvadrater med agricolae

Graeco-latinsk kvadrat med NYC SAT-poäng

Faktoriella experiment

Faktorielt EDA för NYC SAT-poäng

Faktorexperiment med NYC SAT-poäng

Utvärdera faktorialmodellen för NYC SAT-poäng

Vad händer härnäst inom experimentell design?

Experimentell design i R

Kurs
slutförd

Tjäna ett prestationsbevis

Lägg till det här beviset i din LinkedIn-profil, ditt CV eller din meritförteckning
Dela det i sociala medier och i din medarbetarutvärderingRegistrera dig nu

Gå med 19 miljoner lärande och börja Experimentell design i R idag!

Utveckla dina datakunskaper med DataCamp för mobilen

Gör framsteg när du är på språng med våra mobila kurser och dagliga 5-minuters kodningsutmaningar.