Визуализация p-значения

В этом упражнении вы визуализируете p-значение — вероятность того, что обнаруженный эффект (или «скорость»), который мы оценили, является результатом случайной вариации в выборке. Ваша задача — представить это как долю точек в распределении перемешанной тестовой статистики, которые находятся правее среднего значения тестовой статистики («размера эффекта»), вычисленного по неперемешанным выборкам.

Для начала мы заранее загрузили group_duration_short и group_duration_long, а также функции compute_test_statistic(), shuffle_and_split() и plot_test_statistic_effect().

Это упражнение является частью курса

Введение в линейное моделирование на Python

Посмотреть курс

Инструкции к упражнению

Используйте compute_test_statistic(), чтобы получить test_statistic_unshuffled из group_duration_short и group_duration_long, затем вычислите размер эффекта с помощью np.mean().
Используйте shuffle_and_split(), чтобы создать shuffle_half1 и shuffle_half2, и вычислите test_statistic_shuffled с помощью compute_test_statistic().
Создайте булеву маску condition, в которой значения test_statistic_shuffled больше или равны effect_size, затем используйте эту маску для вычисления p_value.
Выведите p_value и постройте графики обеих тестовых статистик с помощью plot_test_statistic_effect().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Compute the test stat distribution and effect size for two population groups
test_statistic_unshuffled = compute_test_statistic(____, ____)
effect_size = np.mean(____)

# Randomize the two populations, and recompute the test stat distribution
shuffled_half1, ____ = shuffle_and_split(group_duration_short, ____)
test_statistic_shuffled = compute_test_statistic(shuffled_half1, ____)

# Compute the p-value as the proportion of shuffled test stat values >= the effect size
condition = ____ >= ____
p_value = len(test_statistic_shuffled[____]) / len(test_statistic_shuffled)

# Print p-value and overplot the shuffled and unshuffled test statistic distributions
print("The p-value is = {}".format(____))
fig = plot_test_stats_and_pvalue(test_statistic_unshuffled, test_statistic_shuffled)

Редактировать и запускать код