Memvisualisasikan P-Value

Dalam latihan ini, Anda akan memvisualisasikan p-value, yaitu peluang bahwa efek (atau "kecepatan") yang kita estimasi merupakan hasil variasi acak dalam sampel. Tujuan Anda adalah memvisualisasikannya sebagai fraksi titik dalam sebaran statistik uji yang diacak yang berada di sebelah kanan mean statistik uji ("ukuran efek") yang dihitung dari sampel yang tidak diacak.

Sebagai awalan, kami telah memuat group_duration_short dan group_duration_long serta fungsi compute_test_statistic(), shuffle_and_split(), dan plot_test_statistic_effect()

Latihan ini adalah bagian dari kursus

Pengantar Pemodelan Linear di Python

Lihat Kursus

Petunjuk latihan

Gunakan compute_test_statistic() untuk memperoleh test_statistic_unshuffled dari group_duration_short dan group_duration_long; kemudian gunakan np.mean() untuk menghitung ukuran efek.
Gunakan shuffle_and_split() untuk membuat shuffle_half1 dan shuffle_half2, lalu gunakan compute_test_statistic() untuk menghitung test_statistic_shuffled.
Buat mask boolean condition sehingga nilai test_statistic_shuffled lebih besar atau sama dengan effect_size, lalu gunakan mask ini untuk menghitung p_value.
Cetak p_value dan plot kedua statistik uji menggunakan plot_test_statistic_effect().

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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)

Edit dan Jalankan Kode