ACCLAB/DABEST-python
این ابزار یک کتابخانهٔ پایتونی برای تحلیل داده‌ها با روش‌های آماری غیرپارامتری و بوت‌استرپ (Bootstrap) است.
کاربرد:
این کتابخانه به جای استفاده از آماره‌های سنتی مثل p-value، از تخمین‌های مبتنی بر بازنمونه‌گیری (Bootstrapped Estimation) استفاده می‌کند تا نتایج دقیق‌تر و قابل تفسیرتری ارائه دهد. مناسب برای تحلیل تفاوت‌ها بین گروه‌ها با فاصله اطمینان و اثرات واقعی (effect size) است.
در چه شرایطی بهتره استفاده شود؟
وقتی داده‌های شما توزیع نرمال ندارند، حجم نمونه کوچک است، یا می‌خواهید به جای صرفاً "معنادار یا نه"، بدانید "چقدر" تفاوت وجود دارد. همچنین وقتی به دنبال روش‌های شفاف و قابل تکرار در تحقیقات علمی هستید، این ابزار عالی است.
چند مثال از موارد استفاده
• مقایسهٔ میانگین فشار خون قبل و بعد از درمان بدون فرض نرمال بودن داده‌ها
• بررسی تفاوت عملکرد دو گروه دانش‌آموز در یک آزمون با روش‌های غیرپارامتری
• تحلیل داده‌های آزمایش‌های زیست‌پزشکی با نمونه‌های کوچک و ناهمگن
- ##DataAnalysis
- ##Statistics
- ##Bootstrap
- ##Python
- ##EffectSize
- ##ScientificResearch
- ##Nonparametric
- ##OpenScience
- ##ReproducibleResearch
- ##DataScience