Kom igångKom igång gratis

Visualisera p-värdet

I den här övningen ska du visualisera p-värdet – sannolikheten att den effekt (eller "hastighet") vi skattade beror på slumpmässig variation i urvalet. Målet är att visualisera detta som andelen punkter i den omblandade teststatistikfördelningen som faller till höger om medelvärdet av teststatistiken ("effektstorleken") beräknad från de icke-omblandade urvalen.

För att komma igång har vi förladdat group_duration_short och group_duration_long samt funktionerna compute_test_statistic(), shuffle_and_split() och plot_test_statistic_effect().

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

Visa kurs

Övningsinstruktioner

  • Använd compute_test_statistic() för att beräkna test_statistic_unshuffled från group_duration_short och group_duration_long, och använd sedan np.mean() för att beräkna effektstorleken.
  • Använd shuffle_and_split() för att skapa shuffle_half1 och shuffle_half2, och använd compute_test_statistic() för att beräkna test_statistic_shuffled.
  • Skapa en boolesk mask condition där värdena i test_statistic_shuffled är större än eller lika med effect_size, och använd sedan masken för att beräkna p_value.
  • Skriv ut p_value och visualisera båda teststatistikerna med plot_test_statistic_effect().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Compute the test stat distribution and effect size for two population groups
test_statistic_unshuffled = compute_test_statistic(____, ____)
effect_size = np.mean(____)

# Randomize the two populations, and recompute the test stat distribution
shuffled_half1, ____ = shuffle_and_split(group_duration_short, ____)
test_statistic_shuffled = compute_test_statistic(shuffled_half1, ____)

# Compute the p-value as the proportion of shuffled test stat values >= the effect size
condition = ____ >= ____
p_value = len(test_statistic_shuffled[____]) / len(test_statistic_shuffled)

# Print p-value and overplot the shuffled and unshuffled test statistic distributions
print("The p-value is = {}".format(____))
fig = plot_test_stats_and_pvalue(test_statistic_unshuffled, test_statistic_shuffled)
Redigera och kör kod