Začněte nyníZačněte zdarma

Test hypotézy: mohlo k tomu dojít náhodou?

EDA a analýza lineární regrese jsou docela přesvědčivé. I tak analýzu cik-cak efektu završíme testem hypotézy, že přiřazení dráhy nemá žádný vliv na průměrný zlomkový rozdíl mezi sudými a lichými drahami — a to pomocí permutačního testu. Jako testovací statistiku použiješ Pearsonův korelační koeficient, který lze vypočítat funkcí dcst.pearson_r(). Proměnné lanes a f_13 už máš v prostoru jmen k dispozici.

Toto cvičení je součástí kurzu

Případové studie ve statistickém myšlení

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej pozorovaný Pearsonův korelační koeficient a ulož ho jako rho.
  • Inicializuj pole pro uložení 10 000 permutačních replik rho pomocí np.empty(). Pole pojmenuj perm_reps_rho.
  • Napiš smyčku for pro generování permutačních replik.
    • Zamíchej pole lanes pomocí np.random.permutation().
    • Vypočítej Pearsonův korelační koeficient mezi zamíchaným polem lanes a f_13. Výsledek ulož do perm_reps_rho.
  • Vypočítej p-hodnotu a vypiš ji. Za „alespoň tak extrémní" považuj případ, kdy je Pearsonův korelační koeficient větší nebo roven pozorované hodnotě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute observed correlation: rho
rho = ____

# Initialize permutation reps: perm_reps_rho
perm_reps_rho = ____

# Make permutation reps
for i in range(10000):
    # Scramble the lanes array: scrambled_lanes
    scrambled_lanes = ____
    
    # Compute the Pearson correlation coefficient
    ____[i] = ____
    
# Compute and print p-value
p_val = ____(____ >= ____) / 10000
print('p =', p_val)
Upravit a spustit kód