Začněte nyníZačněte zdarma

Hypotézový test na Pearsonovu korelaci

Pozorovaná korelace mezi ženskou negramotností a porodností může být jen náhodná – porodnost dané země může být na míře negramotnosti zcela nezávislá. Tuto hypotézu teď otestujeme. Permutuj hodnoty negramotnosti a hodnoty porodnosti ponech na místě. Tím simuluješ hypotézu, že jsou obě proměnné na sobě zcela nezávislé. Pro každou permutaci vypočítej Pearsonův korelační koeficient a zjisti, kolik permutačních replikátů dosahuje vyšší Pearsonovy korelace než pozorovaná hodnota.

Funkce pearson_r(), kterou jsi napsal/a v předchozím kurzu pro výpočet Pearsonova korelačního koeficientu, je už k dispozici.

Toto cvičení je součástí kurzu

Statistical Thinking in Python (Part 2)

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej pozorovanou Pearsonovu korelaci mezi illiteracy a fertility.
  • Inicializuj pole pro uložení permutačních replikátů.
  • Napiš smyčku for, která vygeneruje 10 000 replikátů:
    • Permutuj hodnoty illiteracy pomocí np.random.permutation().
    • Vypočítej Pearsonovu korelaci mezi permutovaným polem negramotnosti illiteracy_permuted a fertility.
  • Vypočítej p-hodnotu z replikátů a vypiš ji.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute observed correlation: r_obs
r_obs = ____

# Initialize permutation replicates: perm_replicates
perm_replicates = np.empty(10000)

# Draw replicates
for ____ in ____:
    # Permute illiteracy measurments: illiteracy_permuted
    illiteracy_permuted = ____

    # Compute Pearson correlation
    perm_replicates[i] = ____

# Compute p-value: p
p = ____
print('p-val =', p)
Upravit a spustit kód