Kom igångKom igång gratis

Jackknife-konfidensintervall för medianen

I den här övningen beräknar vi jackknife-95%-KI för en icke-standardiserad estimator – i det här fallet medianen. Kom ihåg att variansen för en jackknifeestimatör är n-1 gånger variansen av de enskilda jackknife-urvalsskattningarna, där n är antalet observationer i det ursprungliga urvalet.

Vi återvänder till skruvnyckelfabriken. Den här gången vill du skatta medianlängden på skruvnycklarna, tillsammans med ett 95%-KI, för att kontrollera att de håller sig inom toleransen.

Vi utgår från koden i föregående övning, men nu i kontexten av medianlängder. När du är klar med övningen har du en god förståelse för hur jackknife-omsampling används för att beräkna konfidensintervall för icke-standardiserade estimatorer.

Den här övningen är en del av kursen

Statistisk simulering i Python

Visa kurs

Övningsinstruktioner

  • Lägg till medianlängden för varje jackknife-urval i median_lengths.
  • Beräkna medelvärdet av jackknife-skattningen av median_length och tilldela resultatet till jk_median_length.
  • Beräkna det övre 95%-konfidensintervallet jk_upper_ci och det nedre 95%-konfidensintervallet för medianen jk_lower_ci med hjälp av 1.96*np.sqrt(jk_var).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Leave one observation out to get the jackknife sample and store the median length
median_lengths = []
for i in range(n):
    jk_sample = wrench_lengths[index != i]
    median_lengths.append(____)

median_lengths = np.array(median_lengths)

# Calculate jackknife estimate and it's variance
jk_median_length = ____
jk_var = (n-1)*np.var(median_lengths)

# Assuming normality, calculate lower and upper 95% confidence intervals
jk_lower_ci = jk_median_length - ____
jk_upper_ci = jk_median_length + ____
print("Jackknife 95% CI lower = {}, upper = {}".format(jk_lower_ci, jk_upper_ci))
Redigera och kör kod