Test d'ipotesi: può essere dovuto al caso?

L'EDA e l'analisi di regressione lineare sono piuttosto convincenti. Tuttavia, per completare l'analisi dell'effetto a zig-zag testerai l'ipotesi che l'assegnazione delle corsie non abbia nulla a che fare con la differenza frazionale media tra corsie pari e dispari usando un test di permutazione. Userai il coefficiente di correlazione di Pearson, che puoi calcolare con dcst.pearson_r(), come statistica test. Le variabili lanes e f_13 sono già nel tuo namespace.

Questo esercizio fa parte del corso

Casi di studio nel pensiero statistico

Visualizza corso

Istruzioni dell'esercizio

Calcola il coefficiente di correlazione di Pearson osservato e salvalo come rho.
Inizializza un array per memorizzare le 10.000 repliche di permutazione di rho usando np.empty(). Chiama l'array perm_reps_rho.
Scrivi un ciclo for per generare le repliche di permutazione.
- Mescola l'array lanes usando np.random.permutation().
- Calcola il coefficiente di correlazione di Pearson tra l'array lanes mescolato e f_13. Salva il risultato in perm_reps_rho.
Calcola e stampa il p-value. Considera "almeno altrettanto estremo" il caso in cui il coefficiente di correlazione di Pearson sia maggiore o uguale a quello osservato.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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)

Modifica ed esegui il codice