Kom igångKom igång gratis

Icke-standardiserade skattningar

I den förra övningen körde du en enkel bootstrapning som vi nu ska anpassa för mer komplexa skattningar.

Anta att du studerar studenters hälsa. Du har tillgång till längd och vikt för 1 000 studenter och är intresserad av medianlängden samt korrelationen mellan längd och vikt, inklusive tillhörande 95%-konfidensintervall för dessa storheter. Låt oss använda bootstrapning.

Underök pandas-dataramen df med längd och vikt för 1 000 studenter. Beräkna med hjälp av den 95%-konfidensintervallet för både medianlängden och korrelationen mellan längd och vikt.

Den här övningen är en del av kursen

Statistisk simulering i Python

Visa kurs

Övningsinstruktioner

  • Använd metoden .sample() på df för att generera ett urval av data med återläggning och tilldela det till tmp_df.
  • Beräkna medianlängden och korrelationen mellan längd och vikt för varje genererad datamängd i tmp_df med hjälp av .median() och .corr().
  • Lägg till medianlängderna i height_medians och korrelationen i hw_corr.
  • Beräkna slutligen 95%-konfidensintervallen ([2.5, 97.5]) för var och en av dessa storheter med np.percentile().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Sample with replacement and calculate quantities of interest
sims, data_size, height_medians, hw_corr = 1000, df.shape[0], [], []
for i in range(sims):
    tmp_df = ____(n=____, replace=____)
    height_medians.append(____)
    hw_corr.append(____)

# Calculate confidence intervals
height_median_ci = np.____
height_weight_corr_ci = np.____
print("Height Median CI = {} \nHeight Weight Correlation CI = {}".format( height_median_ci, height_weight_corr_ci))
Redigera och kör kod