コースの影響はレーン位置によってどう変わるか？
レーン番号がパフォーマンスに与える影響を定量化するため、f_13 と lanes のデータに対して線形回帰を実行します。その後、ペアブートストラップ法で95%信頼区間を求め、最後に回帰直線をプロットします。配列 lanes と f_13 はすでに名前空間に用意されています。
なお、平均分数差の誤差バーを計算して回帰に組み込む方法もありますが、このコースの範囲外となるため省略します。
この演習はコースの一部です
統計的思考 ケーススタディ
演習の手順
np.polyfit()を使って、f_13とlanesの直線の傾きと切片を計算します。dcst.draw_bs_pairs_linreg()を使って、傾きと切片のブートストラップ反復値を10,000個生成し、それぞれbs_reps_slopeとbs_reps_intに格納します。- ブートストラップ反復値を用いて、傾きの95%信頼区間を計算します。
- 傾きと95%信頼区間を画面に出力します。この部分はすでに記述済みです。
np.array()を使って、ブートストラップ直線のプロット用x値を生成します。xは1から8の範囲にします。- プロットにはすでにデータが描画されています。
forループを記述し、キーワード引数color='red'、alpha=0.2、linewidth=0.5を使って、100本のブートストラップ直線をプロットに追加します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Compute the slope and intercept of the frac diff/lane curve
____, ____ = ____
# Compute bootstrap replicates
bs_reps_slope, bs_reps_int = ____
# Compute 95% confidence interval of slope
conf_int = ____
# Print slope and confidence interval
print("""
slope: {0:.5f} per lane
95% conf int: [{1:.5f}, {2:.5f}] per lane""".format(slope, *conf_int))
# x-values for plotting regression lines
x = ____
# Plot 100 bootstrap replicate lines
for i in ____:
_ = ____(____, ____[i] * ____ + ____[i],
color='red', alpha=0.2, linewidth=0.5)
# Update the plot
plt.draw()
plt.show()