Kom igångKom igång gratis

Hypotestest för Pearsonkorrelation

Den observerade korrelationen mellan kvinnlig analfabetism och fertilitet kan bero på slumpen – ett lands fertilitet kanske är helt oberoende av dess analfabetism. Du ska testa den här hypotesen. Gör det genom att permutera värdena för illiteracy men hålla värdena för fertility fasta. Det simulerar hypotesen att de är helt oberoende av varandra. Beräkna Pearsonkorrelationskoefficienten för varje permutation och bedöm hur många av dina permutationsreplikat som har en Pearsonkorrelationskoefficient som är större än den observerade.

Funktionen pearson_r() som du skrev i förkursen till den här kursen för att beräkna Pearsonkorrelationskoefficienten finns redan tillgänglig.

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 2)

Visa kurs

Övningsinstruktioner

  • Beräkna den observerade Pearsonkorrelationen mellan illiteracy och fertility.
  • Initialisera en array för att lagra dina permutationsreplikat.
  • Skriv en for-loop som drar 10 000 replikat:
    • Permutera illiteracy-värdena med np.random.permutation().
    • Beräkna Pearsonkorrelationen mellan den permuterade illiteracy-arrayen, illiteracy_permuted, och fertility.
  • Beräkna och skriv ut p-värdet från replikaten.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Compute observed correlation: r_obs
r_obs = ____

# Initialize permutation replicates: perm_replicates
perm_replicates = np.empty(10000)

# Draw replicates
for ____ in ____:
    # Permute illiteracy measurments: illiteracy_permuted
    illiteracy_permuted = ____

    # Compute Pearson correlation
    perm_replicates[i] = ____

# Compute p-value: p
p = ____
print('p-val =', p)
Redigera och kör kod