Zacznij terazZacznij za darmo

Test hipotezy: czy to może być dziełem przypadku?

Analiza EDA i regresja liniowa dają dość jednoznaczne wyniki. Aby jednak dopełnić analizę efektu zygzaka, przetestujesz hipotezę, że przydział torów nie ma żadnego związku ze średnią ułamkową różnicą między torami parzystymi a nieparzystymi – za pomocą testu permutacyjnego. Jako statystykę testową wykorzystasz współczynnik korelacji Pearsona, który możesz obliczyć przy użyciu dcst.pearson_r(). Zmienne lanes i f_13 są już dostępne w przestrzeni nazw.

To ćwiczenie jest częścią kursu

Studia przypadków w myśleniu statystycznym

Zobacz kurs

Instrukcje do ćwiczenia

  • Oblicz zaobserwowany współczynnik korelacji Pearsona i zapisz go jako rho.
  • Zainicjalizuj tablicę do przechowywania 10 000 replik permutacyjnych rho, używając np.empty(). Nadaj tablicy nazwę perm_reps_rho.
  • Napisz pętlę for, aby wygenerować repliki permutacyjne.
    • Przetasuj tablicę lanes przy użyciu np.random.permutation().
    • Oblicz współczynnik korelacji Pearsona między przetasowaną tablicą lanes a f_13. Wynik zapisz w perm_reps_rho.
  • Oblicz i wyświetl wartość p. Za wartości „co najmniej tak samo ekstremalne" przyjmij te, dla których współczynnik korelacji Pearsona jest większy lub równy zaobserwowanemu.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod