Kom igångKom igång gratis

Hypotestest: kan detta bero på slumpen?

Den explorativa dataanalysen och linjära regressionsanalysen är ganska entydiga. Ändå avslutar du analysen av sicksackmönstret med ett hypotestest – du testar hypotesen att banfördelningen inte har något samband med den genomsnittliga bråkdelade skillnaden mellan jämna och udda banor, med hjälp av ett permutationstest. Du använder Pearsons korrelationskoefficient, som du kan beräkna med dcst.pearson_r(), som teststatistik. Variablerna lanes och f_13 finns redan i ditt namnområde.

Den här övningen är en del av kursen

Fallstudier i statistiskt tänkande

Visa kurs

Övningsinstruktioner

  • Beräkna den observerade Pearsons korrelationskoefficient och lagra den som rho.
  • Initiera en array för att lagra 10 000 permutationsreplikat av rho med hjälp av np.empty(). Namnge arrayen perm_reps_rho.
  • Skriv en for-loop för att dra permutationsreplikat.
    • Blanda om arrayen lanes med np.random.permutation().
    • Beräkna Pearsons korrelationskoefficient mellan den omblandade arrayen lanes och f_13. Lagra resultatet i perm_reps_rho.
  • Beräkna och skriv ut p-värdet. Tolka "minst lika extremt som" som att Pearsons korrelationskoefficient är större än eller lika med det observerade värdet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod