Bootstrap par paires

Réflexion statistique en Python (partie 2)

Justin Bois

Lecturer at the California Institute of Technology

Inférence non paramétrique

Ne faites aucune hypothèse sur le modèle ou la loi de probabilité sous-jacente aux données

Résultats des élections américaines 2008 – États pivots

ch2-3.004.png

¹ Données récupérées sur Data.gov (https://www.data.gov/)

Bootstrap par paires pour la régression linéaire

Rééchantillonner les données par paires
Calculer la pente et l'ordonnée à l'origine à partir des données rééchantillonnées
Chaque pente et ordonnée est un réplicat bootstrap
Déduire des intervalles de confiance à partir des percentiles des réplicats

Générer un échantillon bootstrap par paires

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]

Calcul d'un réplicat bootstrap par paires

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])

Résultats des élections américaines 2008 – États pivots

ch2-3.022.png

¹ Données récupérées sur Data.gov (https://www.data.gov/)

Passons à la pratique !

Réflexion statistique en Python (partie 2)