Ipotesi nulla

In questo esercizio, formuliamo l'ipotesi nulla come

le durate brevi e lunghe non hanno alcun effetto sulla distanza totale percorsa.

Interpretiamo la "dimensione dell'effetto zero" nel senso che, se rimescolassimo i campioni tra tempi brevi e lunghi, in modo che due nuovi campioni abbiano ciascuno un mix di viaggi di breve e lunga durata, e poi calcolassimo la statistica del test, in media sarebbe zero.

In questo esercizio, il tuo obiettivo è eseguire lo shuffling e il riacampionamento. Parti da group_duration_short e group_duration_long, che sono i gruppi di durata non rimescolati.

Questo esercizio fa parte del corso

Introduzione alla modellazione lineare in Python

Visualizza il corso

Istruzioni dell'esercizio

Usa np.concatenate() per unire le due popolazioni, poi usa np.random.shuffle() per rimescolare i valori all'interno di quel contenitore.
Dividi shuffle_bucket a metà e usa np.random.choice() per riacampionare ciascuna shuffle_half.
Calcola la test_statistic sottraendo resample_half1 da resample_half2.
Calcola la effect_size come np.mean() di test_statistic e stampa il risultato.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Shuffle the time-ordered distances, then slice the result into two populations.
shuffle_bucket = np.____((group_duration_short, group_duration_long))
np.random.shuffle(____)
slice_index = len(shuffle_bucket)//2
shuffled_half1 = shuffle_bucket[0:____]
shuffled_half2 = shuffle_bucket[____:]

# Create new samples from each shuffled population, and compute the test statistic
resample_half1 = np.random.choice(____, size=500, replace=____)
resample_half2 = np.random.choice(____, size=500, replace=____)
test_statistic = ____ - ____

# Compute and print the effect size
effect_size = np.mean(____)
print('Test Statistic, after shuffling, mean = {}'.format(____))

Modifica ed esegui il codice