Генерация бутстрэп-реплик

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

Статистическое мышление на Python (часть 2)

SkillTag.level.intermediateSkillTag.label

4.8+

256 reviews

Начать курс бесплатно

В статистическом выводе мы работаем в терминах теории вероятностей. Распределение вероятностей, описывающее ваши данные, задаётся параметрами. Поэтому одна из главных задач статистического вывода — оценить значения этих параметров, чтобы точно и однозначно описать данные и сделать обоснованные выводы. В этой главе вы научитесь находить оптимальные параметры, наилучшим образом описывающие ваши данные.

Exercise 1: Оптимальные параметры Exercise 2: Как часто случаются игры без хитов?Exercise 3: Соответствуют ли данные нашей модели?Exercise 4: Почему этот параметр является оптимальным?Exercise 5: Линейная регрессия методом наименьших квадратов Exercise 6: Разведочный анализ данных о грамотности и рождаемости Exercise 7: Линейная регрессия Exercise 8: Почему это оптимально?Exercise 9: Важность разведочного анализа данных: квартет Энскомба Exercise 10: Важность разведочного анализа данных Exercise 11: Линейная регрессия на подходящих данных из квартета Энскомба Exercise 12: Линейная регрессия для всех наборов данных Энскомба

Выражение «вытащить себя за шнурки собственных ботинок» означает решить сложную задачу в одиночку, без какой-либо помощи. В статистическом выводе нас интересует, что произошло бы, если бы мы могли бесконечно повторять сбор данных. Это невозможно на практике, но можно ли, используя только имеющиеся данные, получить результат, близкий к результату бесчисленных экспериментов? Да! Соответствующий метод так и называется — бутстрэп. В этой главе вы познакомитесь с этим исключительно мощным инструментом.

Exercise 1: Генерация бутстрэп-реплик

Текущее упражнение

Exercise 2: Разбираемся с терминологией Exercise 3: Бутстрэппинг вручную Exercise 4: Визуализация бутстрэп-выборок Exercise 5: Доверительные интервалы Bootstrap Exercise 6: Генерация множества бутстрэп-реплик Exercise 7: Бутстрэп-реплики среднего и стандартная ошибка среднего Exercise 8: Доверительные интервалы для данных об осадках Exercise 9: Бутстреп-реплики других статистик Exercise 10: Доверительный интервал для частоты игр без хитов Exercise 11: Парный бутстрэп Exercise 12: Функция для парного бутстрапа Exercise 13: Парный бутстрэп для данных о грамотности и рождаемости Exercise 14: Визуализация бутстреп-регрессий

Теперь вы умеете определять параметры модели и оценивать их. Но остаётся открытым вопрос: насколько правдоподобны наблюдаемые данные, если модель верна? На него отвечают проверки гипотез — завершающий и важнейший элемент статистического вывода. После изучения этой главы вы сможете грамотно формулировать и проверять гипотезы с помощью методов статистики.

Exercise 1: Формулировка и симуляция гипотезы Exercise 2: Генерация перестановочной выборки Exercise 3: Визуализация перестановочного сэмплирования Exercise 4: Тестовые статистики и p-значения Exercise 5: Тестовые статистики Exercise 6: Что такое p-значение?Exercise 7: Генерация перестановочных реплик Exercise 8: Сначала разберитесь в данных: разведочный анализ перед проверкой гипотез Exercise 9: Перестановочный тест на данных о лягушках Exercise 10: Бутстрэп-тесты гипотез Exercise 11: Одновыборочный бутстрэп-тест гипотезы Exercise 12: Двухвыборочный бутстреп-тест гипотезы о разности средних

Как вы убедились в предыдущей главе, проверка гипотез требует аккуратности. Нужно сформулировать нулевую гипотезу, определить способ её моделирования и чётко задать критерий «экстремальности» для вычисления p-значения. Как и любой навык, это оттачивается практикой — а данная глава предоставит вам её в полной мере.

Exercise 1: A/B-тестирование Exercise 2: Голосование за Закон о гражданских правах 1964 года Exercise 3: Что является эквивалентом?Exercise 4: Аналог времени на сайте Exercise 5: Что следовало сделать в первую очередь?Exercise 6: Проверка корреляции Exercise 7: Симуляция нулевой гипотезы о корреляции Exercise 8: Проверка гипотезы о корреляции Пирсона Exercise 9: Есть ли у неоникотиноидных инсектицидов непредвиденные последствия?Exercise 10: Бутстрэп-тест гипотезы о количестве сперматозоидов у пчёл

Более сорока лет подряд Питер и Розмари Грант приезжают на остров Дафне-Мейхор в Галапагосском архипелаге и собирают данные о вьюрках Дарвина. Применяя методы статистического вывода, вы проанализируете их данные и воочию убедитесь — через призму чисел — в том, как происходит эволюция. Это захватывающее завершение курса!

Exercise 1: Клювы вьюрков и необходимость статистики Exercise 2: Разведочный анализ данных: глубина клюва у вьюрков Дарвина Exercise 3: ECDF глубины клювов Exercise 4: Оценки параметров глубины клюва Exercise 5: Проверка гипотезы: стали ли клювы глубже в 2012 году?Exercise 6: Разнообразие форм клювов Exercise 7: Разведочный анализ длины и глубины клюва Exercise 8: Линейная регрессия Exercise 9: Отображение результатов линейной регрессии Exercise 10: Отношение длины клюва к его глубине Exercise 11: Насколько значимо различие соотношения?Exercise 12: Вычисление наследуемости Exercise 13: Разведочный анализ наследуемости Exercise 14: Корреляция данных потомков и родителей Exercise 15: Корреляция Пирсона для данных потомков и родителей Exercise 16: Измерение наследуемости Exercise 17: Является ли глубина клюва наследуемым признаком у G. scandens?Exercise 18: Заключительные мысли