Zacznij terazZacznij za darmo

Test hipotezy dla korelacji Pearsona

Obserwowana korelacja między analfabetyzmem kobiet a dzietnością może być dziełem przypadku – dzietność danego kraju może być całkowicie niezależna od poziomu analfabetyzmu. Sprawdzisz tę hipotezę. W tym celu przetasujesz wartości illiteracy, pozostawiając wartości fertility bez zmian. Symuluje to hipotezę, że obie zmienne są całkowicie od siebie niezależne. Dla każdej permutacji oblicz współczynnik korelacji Pearsona i oceń, ile replik permutacyjnych ma współczynnik korelacji Pearsona większy od obserwowanego.

Funkcja pearson_r(), którą napisano w poprzedniej części tego kursu do obliczania współczynnika korelacji Pearsona, jest już dostępna.

To ćwiczenie jest częścią kursu

Myślenie statystyczne w Pythonie (część 2)

Zobacz kurs

Instrukcje do ćwiczenia

  • Oblicz obserwowaną korelację Pearsona między illiteracy a fertility.
  • Zainicjalizuj tablicę do przechowywania replik permutacyjnych.
  • Napisz pętlę for, która wygeneruje 10 000 replik:
    • Przetasuj wartości illiteracy za pomocą np.random.permutation().
    • Oblicz korelację Pearsona między przetasowaną tablicą illiteracy_permuted a fertility.
  • Oblicz i wyświetl wartość p wyznaczoną na podstawie replik.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Compute observed correlation: r_obs
r_obs = ____

# Initialize permutation replicates: perm_replicates
perm_replicates = np.empty(10000)

# Draw replicates
for ____ in ____:
    # Permute illiteracy measurments: illiteracy_permuted
    illiteracy_permuted = ____

    # Compute Pearson correlation
    perm_replicates[i] = ____

# Compute p-value: p
p = ____
print('p-val =', p)
Edytuj i uruchom kod