Uppskatta hastighet och konfidensintervall
Vi fortsätter att titta på vandringsdatan från nationalparken. Observera att vissa avstånd är negativa – det beror på att vandrarna gick i motsatt riktning från startpunkten. Datan är lite ojämn, så vi fokuserar på den övergripande trenden.
I den här övningen är målet att använda bootstrap-resampling för att hitta fördelningen av hastighetsvärden för en linjär modell, och sedan beräkna den bästa uppskattningen av hastigheten samt det 90-procentiga konfidensintervallet för den uppskattningen. Hastigheten här är lutningsparametern från den linjära regressionsmodellen som anpassar avstånd som funktion av tid.
Som startpunkt har vi förladdat distance- och time-data, tillsammans med en fördefinierad funktion least_squares() för att beräkna hastighetsvärdet för varje resampel.
Den här övningen är en del av kursen
Introduktion till linjär modellering i Python
Övningsinstruktioner
- Använd
np.random.choice()för att drasample_indsfrånpopulation_inds, och bevara därvid kopplingen mellan avstånd och tid för varje datapunkt. - För att bevara tidsordningen, anropa
.sort()påsample_indsoch använd sedansample_indsför att indexeradistancesochtimes. - Använd
least_squares(times, distances)för att beräkna parametrarna i den linjära modellen och lagraa1iresample_speeds. - Tillämpa
np.mean()ochnp.percentiles()påresample_speedsför att beräkna hastigheten och konfidensintervalletci_90, och skriv sedan ut båda.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Resample each preloaded population, and compute speed distribution
population_inds = np.arange(0, 99, dtype=int)
for nr in range(num_resamples):
sample_inds = np.random.choice(____, size=100, replace=True)
sample_inds.____()
sample_distances = distances[____]
sample_times = times[____]
a0, a1 = ____(sample_times, sample_distances)
resample_speeds[nr] = ____
# Compute effect size and confidence interval, and print
speed_estimate = np.mean(____)
ci_90 = np.percentile(____, [5, 95])
print('Speed Estimate = {:0.2f}, 90% Confidence Interval: {:0.2f}, {:0.2f} '.format(____, ____[0], ____[1]))