开始使用免费开始使用

假设检验：这可能只是巧合吗？

EDA 和线性回归分析已经给出了相当明确的结论。不过，您还需要通过置换检验来完成对"之字形效应"的分析，检验假设：赛道分配与奇偶赛道之间的平均分数差无关。您将使用皮尔逊相关系数作为检验统计量，可用 dcst.pearson_r() 计算。变量 lanes 和 f_13 已在您的命名空间中。

本练习是课程的一部分

统计思维案例研习

查看课程

练习说明

  • 计算观测到的皮尔逊相关系数，并将其存为 rho。
  • 使用 np.empty() 初始化一个数组，用于存放 10,000 个 rho 的置换重复值。将该数组命名为 perm_reps_rho。
  • 编写一个 for 循环来生成置换重复值。
    • 使用 np.random.permutation() 打乱数组 lanes。
    • 计算打乱后的 lanes 与 f_13 的皮尔逊相关系数，并将结果存入 perm_reps_rho。
  • 计算并打印 p 值。将"至少同样极端"理解为皮尔逊相关系数大于或等于观测到的值。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)
编辑并运行代码