ПочатиПочніть безкоштовно

Перевірка гіпотези для кореляції Пірсона

Спостережувана кореляція між жіночою неписьменністю та народжуваністю може бути випадковою; для певної країни народжуваність може бути цілком незалежною від рівня неписьменності. Ви перевірите цю гіпотезу. Для цього переставте значення неписьменності, а значення народжуваності залиште фіксованими. Це моделює гіпотезу про повну незалежність цих змінних. Для кожної перестановки обчисліть коефіцієнт кореляції Пірсона та визначте, у скількох із ваших перестановкових реплік коефіцієнт кореляції Пірсона більший за спостережуваний.

Функція pearson_r(), яку ви написали в першій частині цього курсу для обчислення коефіцієнта кореляції Пірсона, уже доступна для вас.

Ця вправа є частиною курсу

Статистичне мислення в Python (Частина 2)

Переглянути курс

Інструкції до вправи

  • Обчисліть спостережуваний коефіцієнт кореляції Пірсона між illiteracy та fertility.
  • Ініціалізуйте масив для збереження ваших перестановкових реплік.
  • Напишіть цикл for, щоб отримати 10 000 реплік:
    • Переставте вимірювання illiteracy за допомогою np.random.permutation().
    • Обчисліть кореляцію Пірсона між переставленим масивом неписьменності illiteracy_permuted та fertility.
  • Обчисліть і виведіть p-value на основі реплік.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код