Bootstrap par

Myślenie statystyczne w Pythonie (część 2)

Justin Bois

Lecturer at the California Institute of Technology

Wnioskowanie nieparametryczne

Nie zakłada się modelu ani rozkładu prawdopodobieństwa danych

Wyniki wyborów w USA w 2008 r. (stany wahające się)

Wyniki wyborów w stanach wahających się w USA w 2008 r.

¹ Dane pobrane z Data.gov (https://www.data.gov/)

Bootstrap par dla regresji liniowej

Próbkowanie danych w parach
Obliczanie nachylenia i wyrazu wolnego z próby
Każda para wartości to replikat bootstrap
Obliczanie przedziałów ufności z percentyli replikatów

Generowanie próby bootstrap par

np.arange(7)

array([0, 1, 2, 3, 4, 5, 6])

inds = np.arange(len(total_votes))

bs_inds = np.random.choice(inds, len(inds))

bs_total_votes = total_votes[bs_inds]
bs_dem_share = dem_share[bs_inds]

Obliczanie replikatu bootstrap par

bs_slope, bs_intercept = np.polyfit(bs_total_votes, 
                                    bs_dem_share, 1)

bs_slope, bs_intercept

(3.9053605692223672e-05, 40.387910131803025)

np.polyfit(total_votes, dem_share, 1)  # fit of original

array([  4.03707170e-05,   4.01139120e+01])

Wyniki wyborów w USA w 2008 r. (stany wahające się)

Wyniki wyborów w stanach wahających się w USA w 2008 r.

¹ Dane pobrane z Data.gov (https://www.data.gov/)

Czas na ćwiczenia!

Myślenie statystyczne w Pythonie (część 2)