Проверка гипотезы: может ли это быть случайностью?

Разведочный анализ данных и линейная регрессия дают весьма убедительные результаты. Тем не менее, завершим анализ зигзагообразного эффекта, проверив гипотезу о том, что распределение по дорожкам никак не связано со средним дробным различием между чётными и нечётными дорожками — с помощью теста перестановок. В качестве тестовой статистики используйте коэффициент корреляции Пирсона, который можно вычислить с помощью dcst.pearson_r(). Переменные lanes и f_13 уже доступны в вашем пространстве имён.

Это упражнение является частью курса

Примеры применения статистического мышления

Посмотреть курс

Инструкции к упражнению

Вычислите наблюдаемый коэффициент корреляции Пирсона и сохраните его в переменную rho.
Инициализируйте массив для хранения 10 000 перестановочных реплик rho с помощью np.empty(). Назовите массив perm_reps_rho.
Напишите цикл for для получения перестановочных реплик.
- Перемешайте массив lanes с помощью np.random.permutation().
- Вычислите коэффициент корреляции Пирсона между перемешанным массивом lanes и f_13. Сохраните результат в perm_reps_rho.
Вычислите и выведите на экран p-значение. Считайте «не менее экстремальным», чем наблюдаемое, то значение, при котором коэффициент корреляции Пирсона больше или равен наблюдаемому.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)

Редактировать и запускать код