เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การทดสอบสมมติฐานบนค่าสหสัมพันธ์เพียร์สัน

ค่าสหสัมพันธ์ที่สังเกตได้ระหว่างการไม่รู้หนังสือของผู้หญิงกับอัตราการเจริญพันธุ์อาจเกิดขึ้นโดยบังเอิญก็ได้ นั่นคืออัตราการเจริญพันธุ์ของแต่ละประเทศอาจเป็นอิสระจากอัตราการไม่รู้หนังสือโดยสิ้นเชิง ในแบบฝึกหัดนี้จะทดสอบสมมติฐานดังกล่าว โดยการสุ่มสลับค่า illiteracy แต่คงค่า fertility ไว้เหมือนเดิม ซึ่งจำลองสมมติฐานที่ว่าตัวแปรทั้งสองเป็นอิสระต่อกัน จากนั้นคำนวณค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สันในแต่ละรอบ แล้วประเมินว่า permutation replicate กี่ค่าที่มีค่าสหสัมพันธ์เพียร์สันมากกว่าค่าที่สังเกตได้

ฟังก์ชัน pearson_r() ที่เขียนไว้ในคอร์สก่อนหน้า สำหรับคำนวณค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สันนั้นพร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Statistical Thinking in Python (ตอนที่ 2)

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณค่าสหสัมพันธ์เพียร์สันที่สังเกตได้ระหว่าง illiteracy และ fertility
  • สร้างอาร์เรย์สำหรับเก็บค่า permutation replicate
  • เขียน for loop เพื่อสุ่ม replicate จำนวน 10,000 รอบ:
    • สุ่มสลับค่า illiteracy โดยใช้ np.random.permutation()
    • คำนวณค่าสหสัมพันธ์เพียร์สันระหว่างอาร์เรย์ illiteracy ที่สุ่มสลับแล้ว illiteracy_permuted กับ fertility
  • คำนวณและแสดงผล p-value จาก replicate

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด