Linjära regressioner
Utför en linjär regression för både 1975 och 2012 års data. Gör sedan parade bootstrap-skattningar av regressionsparametrarna. Rapportera 95%-konfidensintervall för regressionslinjens lutning och skärningspunkt.
Du använder funktionen draw_bs_pairs_linreg() som du skapade i kapitel 2.
Som en påminnelse: dess anropssignatur är draw_bs_pairs_linreg(x, y, size=1), och den returnerar bs_slope_reps och bs_intercept_reps. Näbblängdsdata lagras som bl_1975 och bl_2012, och näbbdjupsdata lagras i bd_1975 och bd_2012.
Den här övningen är en del av kursen
Statistiskt tänkande i Python (del 2)
Övningsinstruktioner
- Beräkna lutningen och skärningspunkten för både 1975 och 2012 års datamängder.
- Hämta 1000 parade bootstrap-sampel för de linjära regressionerna med hjälp av din funktion
draw_bs_pairs_linreg(). - Beräkna 95%-konfidensintervall för lutningarna och skärningspunkterna.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Compute the linear regressions
slope_1975, intercept_1975 = ____
slope_2012, intercept_2012 = ____
# Perform pairs bootstrap for the linear regressions
bs_slope_reps_1975, bs_intercept_reps_1975 = \
____
bs_slope_reps_2012, bs_intercept_reps_2012 = \
____
# Compute confidence intervals of slopes
slope_conf_int_1975 = ____
slope_conf_int_2012 = ____
intercept_conf_int_1975 = ____
intercept_conf_int_2012 = ____
# Print the results
print('1975: slope =', slope_1975,
'conf int =', slope_conf_int_1975)
print('1975: intercept =', intercept_1975,
'conf int =', intercept_conf_int_1975)
print('2012: slope =', slope_2012,
'conf int =', slope_conf_int_2012)
print('2012: intercept =', intercept_2012,
'conf int =', intercept_conf_int_2012)