2.6 Statistisk programvare

Slutt på å regne for hånd

Du har lært formlene for t-test, korrelasjon og konfidensintervall. Men ingen forsker regner dette ut for hånd lenger -- moderne statistikk gjøres med programvare. I dette kapittelet møter du de tre mest aktuelle verktøyene for en VG3-elev: Python, R og regneark som Excel eller Google Sheets.

La oss starte med Python, som er blitt verdens mest brukte språk for dataanalyse. Med bibliotekene NumPy, SciPy og Pandas har det alt du trenger. Vil du regne ut gjennomsnitt og standardavvik, bruker du np.mean(data) og np.std(data, ddof=1). Legg merke til den lille ddof=1 -- den sikrer at du bruker utvalgsformelen som deler på $n-1$, ikke populasjonsformelen som deler på $n$. I forskning bruker vi nesten alltid utvalgsformelen, så denne detaljen er viktig å huske. For en t-test bruker du stats.ttest_ind(gruppe_a, gruppe_b) fra SciPy, som gir deg både t-verdien og p-verdien direkte. Vil du ha et konfidensintervall, gir stats.t.interval() deg svaret. Hele poenget er at du skriver noen få linjer kode i stedet for å pløye gjennom formler manuelt.

R, regneark og kunsten å velge

Det andre verktøyet er R -- et språk laget spesielt for statistikk. Her er en fordel at funksjonen sd() automatisk bruker utvalgsformelen ($n-1$), så du slipper å huske noen ekstra parameter. R er førstevalget i mange forskermiljøer. En t-test er bare t.test(gruppe_a, gruppe_b), og den gir deg automatisk t-verdi, p-verdi, frihetsgrader og konfidensintervall i ett. For lineær regresjon skriver du lm(y ~ x) -- som betyr «modeller y som funksjon av x» -- og summary(modell) gir deg stigningstall, konstantledd, $R^2$ og p-verdier. For en kjikvadratstest bruker du chisq.test(tabell).

Det tredje verktøyet er regneark, det mest tilgjengelige av alle. Her bruker du formler som =GJENNOMSNITT(A1:A10), =MEDIAN(...) og =KORRELASJON(...). For standardavvik er det en felle å passe på: =STDAV() gir utvalgsstandardavviket (deler på $n-1$), mens =STDAVP() gir populasjonsversjonen (deler på $n$). Du vil nesten alltid ha =STDAV(). Regneark kan også kjøre t-tester med =T.TEST(). Men de har begrensninger: det er vanskelig å reprodusere analyser systematisk, lett å gjøre uoppdagede feil i formlene, og de takler ikke store datasett godt.

Så hvordan velger du? Tenk på det slik: regneark passer for raske, enkle analyser. Python passer når prosjektet også involverer databehandling og programmering. R er best for ren statistisk analyse og forskning. En stor fordel med kode (Python og R) over regneark er reproduserbarhet -- analysen kan kjøres på nytt og kontrolleres av andre, akkurat som god vitenskap krever.

Oppsummering

Vi har sett at moderne statistikk gjøres med programvare. Python (med NumPy, SciPy og Pandas) er allsidig og kraftig, men husk ddof=1 for utvalgsstatistikk. R er laget for statistikk og gir den mest komplette støtten, der sd() automatisk bruker $n-1$ og t.test() gir alt på én gang. Regneark er mest tilgjengelig og passer for enkle analyser, men bruk =STDAV() og ikke =STDAVP().

Alle tre kan gjøre beskrivende statistikk, t-tester, korrelasjon, regresjon og konfidensintervaller. Den store fordelen med kode over regneark er reproduserbarhet. Velg verktøy etter oppgavens kompleksitet: regneark for kjappe beregninger, Python eller R for seriøse analyser.