Висновки з викидом і без нього (рандомізація)

За допомогою рандомізаційного тесту ви знову можете оцінити вплив викиду на інференційні висновки лінійної моделі. Запустіть рандомізаційний тест для даних hypdata_out двічі: один раз із викидом і один раз без нього. Зауважте, що розгорнуті рядки коду чітко показують кроки рандомізаційного тесту.

Ця вправа є частиною курсу

Статистичні висновки для лінійної регресії в R

Переглянути курс

Інструкції до вправи

Використовуючи датафрейми hypdata_out (містить викид) і hypdata_noout (викид вилучено), були створені датафрейми perm_slope_out та perm_slope_noout, щоб зберігати переставлені значення кутових коефіцієнтів для відповідних початкових наборів даних. Спостережувані значення збережено у змінних obs_slope_out і obs_slope_noout.

Знайдіть p-значення, обчисливши частку переставлених кутових коефіцієнтів (за absолютним значенням), які більші або дорівнюють ( absолютному значенню) спостережуваних кутових коефіцієнтів. Як і раніше, скористайтеся mean на бінарній нерівності, щоб отримати частку.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Calculate the p-value with the outlier
perm_slope_out %>% 
  mutate(abs_perm_slope = ___) %>%
  summarize(p_value = ___)

# Calculate the p-value without the outlier
perm_slope_noout %>% 
  mutate(abs_perm_slope = ___) %>%
  summarize(p_value = ___)

Редагувати та запускати код