随机化密度

进行 100 次重复可以帮助您理解置换的机制。然而，100 次不足以观察到原假设下比例差异的所有可能取值范围。

回顾推断的四个步骤。这四步将在本课程及后续统计推断课程的所有推断练习中使用。使用函数名来帮助您回忆分析流程。

specify 用于指定响应变量和解释变量。
hypothesize 用于陈述原假设。
generate 用于生成重抽样、置换或模拟。
calculate 用于计算汇总统计量。

在本练习中，您将把该过程重复 1000 次，以便了解原假设下比例差异的完整分布。

本练习是课程的一部分

R 推断基础

查看课程

练习说明

已为您加载 dplyr、ggplot2、NHANES 和 infer 包。

使用 infer 语法，通过对 HomeOwn 变量洗牌生成 1000 个比例差异。回顾 infer 语法：
- specify 指定关注的关系为 HomeOwn 与 Gender，且在此情境下的成功为拥有住房，success = "Own"。
- hypothesize 指定原假设成立，即 null = "independence"（表示性别与是否拥有住房不相关）。
- generate 进行 1000 次置换；将 reps 设为 1000。
- calculate 统计量 stat = "diff in props"，并设定顺序为 c("male", "female")。
运行密度图代码，创建平滑的差异分布可视化。这条曲线是什么形状？

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Perform 1000 permutations
homeown_perm <- homes %>%
  # Specify HomeOwn vs. Gender, with `"Own" as success
  ___(___ ~ ___, success = "___") %>%
  # Use a null hypothesis of independence
  ___(___) %>% 
  # Generate 1000 repetitions (by permutation)
  ___(reps = ___, type = "permute") %>% 
  # Calculate the difference in proportions (male then female)
  ___(___, order = ___))

# Density plot of 1000 permuted differences in proportions
ggplot(homeown_perm, aes(x = stat)) + 
  geom_density()

编辑并运行代码