Python for S2

Python for S2: statistisk analyse med SciPy

Python for S2 følger kursregisterets hovedtemaer: normalfordeling, hypotesetesting og regresjonsanalyse med SciPy. Her brukes programmering til å gjennomføre beregninger som kan være tidkrevende for hånd, men den statistiske tankegangen må være synlig. Du skal vite hvilken modell du bruker, hvilke parametere som inngår, og hva resultatet betyr. En funksjon som returnerer et desimaltall er ikke en konklusjon før tallet er tolket i sammenheng.

Normalfordeling og sannsynligheter

Normalfordelingen beskrives ved forventningsverdi og standardavvik. Med SciPy kan du beregne sannsynligheten for å ligge under, over eller mellom bestemte grenser. Før du kaller en funksjon, bør du tegne eller forestille deg området du ønsker. Da blir det lettere å se om du trenger en kumulativ sannsynlighet direkte eller komplementet til en slik sannsynlighet.

En viktig kontroll er størrelsesorden. En sannsynlighet skal ligge mellom null og én. Et intervall som ligger langt fra forventningsverdien bør normalt gi en annen sannsynlighet enn et sentralt intervall med samme bredde. Hvis outputen virker ulogisk, sjekk om du har brukt riktig middelverdi, riktig standardavvik og riktig retning på ulikheten.

Hypotesetesting som en beslutningsprosess

Ved hypotesetesting må du holde orden på nullhypotese, alternativ hypotese, valgt teststørrelse og signifikansnivå. Python kan beregne en teststørrelse eller en p-verdi, men programmet kan ikke formulere problemstillingen for deg. Start derfor med å skrive hypotesene med ord og symboler. Deretter kan du koble dem til dataene og den aktuelle testen.

Når du får en p-verdi, skal du ikke bare kopiere tallet. Sammenlign det med signifikansnivået og formuler hva analysen gir grunnlag for å gjøre med nullhypotesen. Vær også tydelig på hva testen ikke viser. Statistisk signifikans er ikke det samme som at en effekt er stor eller viktig i praksis.

Regresjonsanalyse og modellkontroll

Regresjon brukes til å beskrive sammenhengen mellom variabler. Python kan finne modellparametere og gjøre prediksjoner, men du bør først se på dataene. En graf kan avsløre avvik, krumning eller grupper som gjør en enkel lineær modell lite egnet. Etter tilpasningen bør du undersøke om modellen passer i området der dataene faktisk finnes.

En regresjonsmodell bør ikke brukes ukritisk langt utenfor observasjonsområdet. Ekstrapolasjon kan gi matematiske tall som mangler faglig mening. Når du bruker modellen til å anslå en ny verdi, oppgi derfor hvilken input du satte inn og om den ligger innenfor et rimelig område.

Du bør også skille mellom parameteren i en modell og et estimat beregnet fra et utvalg. Python kan regne raskt på begge, men språket i konklusjonen må vise om du beskriver dataene du har eller trekker en mer generell statistisk slutning.

Fra data til konklusjon

• Definer variabler og enheter før analysen.
• Velg statistisk modell og begrunn hvorfor den passer.
• Bruk SciPy til selve beregningen, ikke til å velge problemstilling.
• Kontroller outputens størrelsesorden og retning.
• Vis mellomstørrelser når de gjør analysen etterprøvbar.
• Tolk p-verdi, sannsynlighet eller regresjonsresultat med ord.
• Kommenter begrensninger i data eller modell.

Det sterke med Python i S2 er at du kan gå raskt fra et datasett til flere kontroller og scenarier. Den faglige kvaliteten ligger i at hver beregning henger sammen med en tydelig statistisk idé og at konklusjonen ikke sier mer enn dataene og modellen støtter.