Estatísticas de teste e tamanho de efeito

Como podemos explorar relações lineares com bootstrap resampling? De volta à trilha! Para cada caminhada plotada como um ponto, dá para ver que há uma relação linear entre a distância total percorrida e o tempo decorrido. Se tratarmos a distância percorrida como um “efeito” do tempo decorrido, podemos explorar a conexão entre regressão linear e inferência estatística.

Neste exercício, você vai separar os dados em duas populações, ou “categorias”: tempos iniciais e tempos tardios. Depois, vai observar as diferenças entre a distância total percorrida em cada população. Essa diferença servirá como uma “estatística de teste”, e sua distribuição vai testar o efeito de separar as distâncias por tempos.

Este exercicio faz parte do curso

Introdução à Modelagem Linear em Python

Ver curso

Instruções do exercicio

Use a “indexação lógica” do numpy, por exemplo sample_distances[sample_times < 5], para separar as distances amostradas em populações de tempos iniciais e tardios.
Use np.random.choice() com replacement=True para criar um resample para cada um dos dois intervalos de tempo.
Calcule o array test_statistic como resample_long - resample_short e encontre e imprima o tamanho de efeito e a incerteza com np.mean(), np.std().
Plote a distribuição de test_statistic usando o fig = plot_test_statistic() pré-definido.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Create two poulations, sample_distances for early and late sample_times.
# Then resample with replacement, taking 500 random draws from each population.
group_duration_short = sample_distances[____ < 5]
group_duration_long = sample_distances[____ > 5]
resample_short = np.random.choice(____, size=500, replace=____)
resample_long = np.random.choice(____, size=500, replace=____)

# Difference the resamples to compute a test statistic distribution, then compute its mean and stdev
test_statistic = resample_long - resample_short
effect_size = np.mean(____)
standard_error = np.std(____)

# Print and plot the results
print('Test Statistic: mean={:0.2f}, stdev={:0.2f}'.format(____, ____))
fig = plot_test_statistic(____)

Editar e Executar Código