Kom igångKom igång gratis

Teststatistik och effektstorlek

Hur kan vi utforska linjära samband med bootstrap-resampling? Tillbaka till stigen! Varje vandring representeras av en punkt, och vi kan se att det finns ett linjärt samband mellan total tillryggalagd distans och förfluten tid. Om vi betraktar distansen som en "effekt" av den förflutna tiden kan vi utforska kopplingen mellan linjär regression och statistisk inferens.

I den här övningen delar du upp data i två populationer, eller "kategorier": tidiga tider och sena tider. Sedan undersöker du skillnaderna i total tillryggalagd distans inom varje population. Den här skillnaden fungerar som en "teststatistik", och dess fördelning testar effekten av att dela upp distanser efter tider.

ch04_ex11_fig03.png

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

Visa kurs

Övningsinstruktioner

  • Använd numpy-"logisk indexering", t.ex. sample_distances[sample_times < 5], för att dela upp distances-urvalet i populationer för tidiga och sena tider.
  • Använd np.random.choice() med replacement=True för att skapa ett resample för var och en av de två tidsbinarna.
  • Beräkna arrayen test_statistic som resample_long - resample_short, och beräkna och skriv ut effektstorleken och osäkerheten med np.mean() och np.std().
  • Plotta fördelningen av test_statistic med hjälp av den fördefinierade fig = plot_test_statistic().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create two poulations, sample_distances for early and late sample_times.
# Then resample with replacement, taking 500 random draws from each population.
group_duration_short = sample_distances[____ < 5]
group_duration_long = sample_distances[____ > 5]
resample_short = np.random.choice(____, size=500, replace=____)
resample_long = np.random.choice(____, size=500, replace=____)

# Difference the resamples to compute a test statistic distribution, then compute its mean and stdev
test_statistic = resample_long - resample_short
effect_size = np.mean(____)
standard_error = np.std(____)

# Print and plot the results
print('Test Statistic: mean={:0.2f}, stdev={:0.2f}'.format(____, ____))
fig = plot_test_statistic(____)
Redigera och kör kod