Hipoteza zerowa

W tym ćwiczeniu formułujemy hipotezę zerową jako

krótki i długi czas trwania nie mają wpływu na całkowitą pokonaną odległość.

„Zerowy rozmiar efektu" oznacza, że jeśli przetasujemy próbki między grupami krótkich i długich czasów – tak aby dwie nowe próbki zawierały mieszaninę krótkich i długich przejazdów – a następnie obliczymy statystykę testową, to średnio będzie ona wynosić zero.

Twoim zadaniem w tym ćwiczeniu jest wykonanie tasowania i ponownego próbkowania. Zacznij od predefiniowanych zmiennych group_duration_short i group_duration_long, które są niezmieszanymi grupami czasów trwania.

To ćwiczenie jest częścią kursu

Wprowadzenie do modelowania liniowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Użyj np.concatenate(), aby połączyć obie populacje, a następnie użyj np.random.shuffle(), aby potasować wartości w tej strukturze.
Podziel shuffle_bucket na połowę i użyj np.random.choice(), aby ponownie próbkować każdą z nich (shuffle_half).
Oblicz test_statistic, odejmując resample_half1 od resample_half2.
Oblicz effect_size jako np.mean() ze test_statistic i wyświetl wynik.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(____))

Edytuj i uruchom kod