ПочатиПочніть безкоштовно

Перевірка гіпотези: чи це могло статися випадково?

Результати EDA та лінійної регресії досить переконливі. Втім, ви завершите аналіз «зигзаг-ефекту», перевіривши гіпотезу про те, що розподіл по доріжках не пов'язаний із середньою дробовою різницею між парними та непарними доріжками, за допомогою перестановочного тесту. Як статистику критерію ви використаєте коефіцієнт кореляції Пірсона, який можна обчислити функцією dcst.pearson_r(). Змінні lanes і f_13 уже є у вашому просторі імен.

Ця вправа є частиною курсу

Кейс-стаді зі статистичного мислення

Переглянути курс

Інструкції до вправи

  • Обчисліть спостережений коефіцієнт кореляції Пірсона та збережіть його як rho.
  • Ініціалізуйте масив для збереження 10 000 перестановочних реплікатів rho за допомогою np.empty(). Назвіть масив perm_reps_rho.
  • Напишіть цикл for для отримання перестановочних реплікатів.
    • Перемішайте масив lanes, використавши np.random.permutation().
    • Обчисліть коефіцієнт кореляції Пірсона між перемішаним масивом lanes і f_13. Збережіть результат у perm_reps_rho.
  • Обчисліть і виведіть p-значення. Вважайте „щонайменше настільки ж екстремальним", що коефіцієнт кореляції Пірсона є більшим або дорівнює спостереженому значенню.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Compute observed correlation: rho
rho = ____

# Initialize permutation reps: perm_reps_rho
perm_reps_rho = ____

# Make permutation reps
for i in range(10000):
    # Scramble the lanes array: scrambled_lanes
    scrambled_lanes = ____
    
    # Compute the Pearson correlation coefficient
    ____[i] = ____
    
# Compute and print p-value
p_val = ____(____ >= ____) / 10000
print('p =', p_val)
Редагувати та запускати код