對 Pearson 相關的假設檢定
女性文盲率與生育率之間的觀察到的相關性，可能只是巧合。實際上，某國的生育率也許和其文盲率完全獨立。你將要檢定這個假設。做法是：對文盲率的數值進行置換，但固定生育率不變。這樣就模擬了二者彼此完全獨立的假設。對每一次置換，計算 Pearson 相關係數，並評估有多少個置換複本的 Pearson 相關係數比觀察到的相關係數還大。
你在本課程前傳中撰寫、用來計算 Pearson 相關係數的函式 pearson_r()（https://campus.datacamp.com/courses/statistical-thinking-in-python-part-1/quantitative-exploratory-data-analysis?ex=15），已經可供你使用。
本練習屬於課程
Statistical Thinking in Python（第 2 部分）
練習說明
- 計算
illiteracy與fertility之間的觀察到的 Pearson 相關係數。 - 初始化一個陣列來儲存你的置換複本。
- 撰寫一個
for迴圈以產生 10,000 個複本：- 使用
np.random.permutation()置換illiteracy的量測值。 - 計算置換後的文盲率陣列
illiteracy_permuted與fertility的 Pearson 相關係數。
- 使用
- 計算並列印這些複本所得到的 p 值。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)