CommencezCommencez gratuitement

Visualiser la valeur p

Dans cet exercice, vous allez visualiser la valeur p, c'est‑à‑dire la probabilité que l'effet (ou la « vitesse ») que nous avons estimé résulte d'une variation aléatoire dans l'échantillon. Votre objectif est de la visualiser comme la fraction des points dans la distribution de la statistique de test permutée qui se trouvent à droite de la moyenne de la statistique de test (la « taille d'effet ») calculée à partir des échantillons non permutés.

Pour vous aider à démarrer, nous avons préchargé group_duration_short et group_duration_long ainsi que les fonctions compute_test_statistic(), shuffle_and_split() et plot_test_statistic_effect().

Cette activité fait partie du cours

Introduction aux modèles linéaires en Python

Voir le cours

Instructions de l’exercice

  • Utilisez compute_test_statistic() pour obtenir test_statistic_unshuffled à partir de group_duration_short et group_duration_long, puis utilisez np.mean() pour calculer la taille d'effet.
  • Utilisez shuffle_and_split() pour créer shuffle_half1 et shuffle_half2, puis utilisez compute_test_statistic() pour calculer test_statistic_shuffled.
  • Créez un masque booléen condition où les valeurs de test_statistic_shuffled sont supérieures ou égales à effect_size, puis utilisez ce masque pour calculer p_value.
  • Affichez p_value et tracez les deux statistiques de test à l'aide de plot_test_statistic_effect().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Compute the test stat distribution and effect size for two population groups
test_statistic_unshuffled = compute_test_statistic(____, ____)
effect_size = np.mean(____)

# Randomize the two populations, and recompute the test stat distribution
shuffled_half1, ____ = shuffle_and_split(group_duration_short, ____)
test_statistic_shuffled = compute_test_statistic(shuffled_half1, ____)

# Compute the p-value as the proportion of shuffled test stat values >= the effect size
condition = ____ >= ____
p_value = len(test_statistic_shuffled[____]) / len(test_statistic_shuffled)

# Print p-value and overplot the shuffled and unshuffled test statistic distributions
print("The p-value is = {}".format(____))
fig = plot_test_stats_and_pvalue(test_statistic_unshuffled, test_statistic_shuffled)
Modifier et exécuter le code