Bootstrapping kontra normalitet
Du har sett resultaten av ett bootstrap-konfidensintervall för Pearsons R. Men vad gäller vanliga situationer som att konstruera ett konfidensintervall för ett medelvärde? Varför skulle du använda ett bootstrap-konfidensintervall i stället för ett "normalt" konfidensintervall från stats.norm?
Ett DataFrame med investeringar från riskkapitalbolag (investments_df) har laddats in åt dig, liksom paketen pandas som pd, NumPy som np och stats från SciPy.
Den här övningen är en del av kursen
Grunderna i inferens med Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Select just the companies in the Analytics market
analytics_df = ____[____ == 'Analytics']
# Confidence interval using the stats.norm function
norm_ci = stats.norm.____(alpha=____,
loc=____,
scale=____.std() / np.___(____))
# Construct a bootstrapped confidence interval
bootstrap_ci = stats.bootstrap(data=(____, ),
statistic=np.____)
print('Normal CI:', norm_ci)
print('Bootstrap CI:', bootstrap_ci.confidence_interval)