估计速度与置信度

继续查看国家公园徒步数据。请注意，有些距离为负数，因为他们从起点朝相反方向行走；数据较为杂乱，因此我们仅关注整体趋势。

在本练习中，您的目标是使用自助法（bootstrap）重抽样来获得线性模型的速度取值分布，并据此计算速度的最佳估计值，以及该估计的 90% 置信区间。此处的速度是线性回归模型中，以时间为自变量拟合距离时的斜率参数。

为了帮助您入手，我们已预加载了 distance 和 time 数据，以及一个预定义的 least_squares() 函数，用于在每次重抽样中计算速度值。

本练习是课程的一部分

Python 线性建模入门

查看课程

练习说明

使用 np.random.choice() 从 population_inds 中抽取 sample_inds，并保留每个数据点的距离-时间配对关系。
为了保持时间顺序，对 sample_inds 调用 .sort()，然后使用 sample_inds 对 distances 和 times 进行索引。
使用 least_squares(times, distances) 计算线性模型参数，并将 a1 存入 resample_speeds。
对 resample_speeds 应用 np.mean() 和 np.percentiles()，计算速度与置信区间 ci_90，然后打印二者。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Resample each preloaded population, and compute speed distribution
population_inds = np.arange(0, 99, dtype=int)
for nr in range(num_resamples):
    sample_inds = np.random.choice(____, size=100, replace=True)
    sample_inds.____()
    sample_distances = distances[____]
    sample_times = times[____]
    a0, a1 = ____(sample_times, sample_distances)
    resample_speeds[nr] = ____

# Compute effect size and confidence interval, and print
speed_estimate = np.mean(____)
ci_90 = np.percentile(____, [5, 95])
print('Speed Estimate = {:0.2f}, 90% Confidence Interval: {:0.2f}, {:0.2f} '.format(____, ____[0], ____[1]))

编辑并运行代码