ÎncepețiÎncepe gratuit

Test de ipoteză: poate fi întâmplare?

Analiza exploratorie și regresia liniară sunt destul de concludente. Totuși, vei încheia analiza efectului în zigzag testând ipoteza că atribuirea culoarelor nu are nicio legătură cu diferența fracțională medie dintre culoarele pare și impare – folosind un test de permutare. Vei utiliza coeficientul de corelație Pearson, pe care îl poți calcula cu dcst.pearson_r(), ca statistică de test. Variabilele lanes și f_13 se află deja în spațiul tău de lucru.

Acest exercițiu face parte din cursul

Studii de caz în gândirea statistică

Vezi cursul

Instrucțiuni pentru exercițiu

  • Calculează coeficientul de corelație Pearson observat și stochează-l în rho.
  • Inițializează un array pentru a stoca cele 10.000 de replici de permutare ale lui rho folosind np.empty(). Denumește array-ul perm_reps_rho.
  • Scrie o buclă for pentru a extrage replicile de permutare.
    • Amestecă array-ul lanes folosind np.random.permutation().
    • Calculează coeficientul de corelație Pearson dintre array-ul lanes amestecat și f_13. Stochează rezultatul în perm_reps_rho.
  • Calculează și afișează p-valoarea. Consideră că „cel puțin la fel de extrem ca" înseamnă că valoarea coeficientului de corelație Pearson este mai mare sau egală cu cea observată.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)
Editează și rulează codul