Explore GLM II, couvrant les tests d'hypothèses, les tests F, les comparaisons multiples et enrichissant le modèle pour tenir compte des artefacts d'imagerie.
Explore les effets du rouge sur l'attractivité, la désirabilité et le statut, en mettant l'accent sur l'analyse statistique et les défis de la réplication et du biais de publication.
Explore les tests t, les intervalles de confiance, l'ANOVA et les tests d'hypothèse dans les statistiques, en soulignant l'importance d'éviter les fausses découvertes et de comprendre la logique derrière les tests statistiques.
Couvre l'essentiel de la régression linéaire, en se concentrant sur l'utilisation de multiples variables explicatives quantitatives pour prédire un résultat quantitatif.
Couvre la théorie des probabilités de base, la théorie de la détection des signaux, les statistiques et les méta-statistiques, expliquant la taille des effets, la puissance et les tests d'hypothèses.
Couvre les principes fondamentaux de la théorie de la détection et de l'estimation, en se concentrant sur l'erreur moyenne au carré et le test d'hypothèses.
Introduit le test t pour l'évaluation des effets catégoriques sur les résultats quantitatifs, couvrant les tests d'hypothèses, les hypothèses et les tests alternatifs.
Explore les tests d'hypothèses statistiques, y compris la construction d'intervalles de confiance, l'interprétation des valeurs p et la prise de décisions en fonction des niveaux d'importance.
Fournit un aperçu de la théorie des probabilités de base, de l'ANOVA, des tests t, du théorème de limite centrale, des métriques, des intervalles de confiance et des tests non paramétriques.
Explore l'estimation de la probabilité maximale et les tests d'hypothèses multivariées, y compris les défis et les stratégies pour tester plusieurs hypothèses.
Explore l'analyse des composantes principales, la réduction de la dimensionnalité, l'évaluation de la qualité des données et le contrôle du taux d'erreur.
