Bootstrap giá trị P Python

Nếu Giá trị P từng xuống dưới ngưỡng này, chúng tôi từ chối giả thuyết khống của mình

#reject the null hypothesis
p  α

Mức ý nghĩa được đặt trước khi thống kê được tính toán, do đó bạn không thể thay đổi nó một cách thuận tiện sau khi xem kết quả

Hãy tập hợp tất cả những thứ này lại với nhau

Kiểm tra giả thuyết với Python

Chúng tôi sẽ nghiên cứu tập dữ liệu về những người uống cà phê, với các giả thuyết sau

• H0. Chiều cao trung bình của người uống cà phê = Chiều cao trung bình của người không uống cà phê
• H1. Chiều cao trung bình của người uống cà phê. = Chiều cao trung bình của người không uống cà phê

Chúng tôi sẽ thực hiện các bước này

1. Mô phỏng các giá trị cho chiều cao bằng cách sử dụng bootstrapping
2. Tính toán giá trị thực tế cho độ cao bằng cách sử dụng toàn bộ tập dữ liệu bằng cách “lấy mẫu từ giá trị rỗng”
3. So sánh [1] & [2] bằng cách tính giá trị p

import pandas as pd
import numpy as np
import matplotlib.pyplot as pltfull_data = pd.read_csv['coffee_dataset.csv']
sample_data = full_data.sample[200]# 1. Lets bootstrap using a subset of the data and note down means for coffee and non-coffee drinkers, as well as the differences in both.means = []
no_coffee_means = []
coffee_means = []for _ in range [10000]:
    bootstrap = sample_data.sample[200, replace=True]
    coffeemean = bootstrap[bootstrap.drinks_coffee == True].height.mean[]
    nocoffeemean = bootstrap[bootstrap.drinks_coffee == False] .height.mean[]    no_coffee_means.append[nocoffeemean]
    coffee_means.append[coffeemean]
    means.append[coffeemean - nocoffeemean]#Lets plot this
plt.hist[coffee_means, alpha=0.5];
plt.hist[no_coffee_means, alpha=0.5];

Điều này cho thấy cả hai bản phân phối đều bình thường. Nếu chúng ta vẽ sự khác biệt trong các phương tiện

Điều này cũng được phân phối bình thường. Nếu chúng ta muốn kiểm tra giả thuyết không thì sao?

# 2. Lets' pick samples from the null.
null_val = np.random.normal[0, np.std[means], 10000]
plt.hist[null_val];

# 3. Lets compare! Since our alternate hypothesis was: 
H1: Average height for coffee drinkers != Average height for non-coffee drinkers#well test to see what proportion of the samples from #[2] are not equal to our sample mean.[null_val != sample_mean].mean[]
> 1.0

kết quả của 1 là gì. 0 nghĩa là gì? . Giá trị p càng cao, càng có nhiều khả năng chúng ta không bác bỏ giả thuyết không. Trong ví dụ này, chúng ta có 1. 0, có nghĩa là H0 của chúng tôi là chính xác. chiều cao trung bình là như nhau

Để chứng minh điều này, ta cũng có thể kiểm tra ngược lại. Hãy trao đổi các giả thuyết của chúng tôi

• H0. Chiều cao trung bình của người uống cà phê. = Chiều cao trung bình của người không uống cà phê
• H1. Chiều cao trung bình của người uống cà phê = Chiều cao trung bình của người không uống cà phê

Hãy kiểm tra tỷ lệ với tập hợp các giả thuyết mới này

[null_val == sample_mean].mean[]
> 0.0

Lần này chúng tôi nhận được 0, điều đó có nghĩa là H0 của chúng tôi có thể bị từ chối và phù hợp với những phát hiện trước đó của chúng tôi [vì chúng tôi chỉ hoán đổi các giả thuyết, kết quả cũng sẽ được hoán đổi]

p là gì

thế nào là p

Giá trị bootstrap được tính như thế nào?

p là gì