Tarefa nist_anova.smls06.tool

Veredito

Pergunta feita ao analista

Tarefa de ferramenta: nenhuma pergunta; a especificação de referência é chamada direto.

Como o agente resolveu e como foi validado

Resumo passo a passo do que o agente executou, por que o caminho está correto e como cada verificação conferiu o resultado.

1. 1Preparação da base de dados
   d— NIST StRD SmLs06: 18009 observations; treatment = the treatment level (1 to 9), response = the response, treatment_2 … treatment_9 = 1 when the row is at that treatment level (level 1 is the reference)
   Transformação "dummies" aplicada à base "d" (18009 → 18009 linhas). {"column":"treatment","drop_first":true,"prefix":"treatment"}
2. 2Chamada que gerou a resposta finalinfer.linear_hypothesis(Teste de hipótese linear conjunta (estatística F / Wald))citada na respostacoincide com a referência

   Ver chamada call_bc708032 nos detalhes
   Argumentos principais

   dataset:

   "d"

   hypothesis:

   "treatment_2 = 0, treatment_3 = 0, treatment_4 = 0, treatment_5 = 0, treatment_6 = 0, treatment_7 = 0, treatment_8 = 0, treatment_9 = 0"

   se:

   "classical"

   x:

   ["treatment_2","treatment_3","treatment_4","treatment_5","treatment_6","treatment_7","treatment_8","treatment_9"]

   y:

   "response"

   Resultado calculado

   • F = 2.001 2001.0000001288806
     F statistic of treatment_2 = 0; treatment_3 = 0; treatment_4 = 0; treatment_5 = 0; treatment_6 = 0; treatment_7 = 0; treatment_8 = 0; treatment_9 = 0
   • p_value = 0probabilidade 0
     p-value of treatment_2 = 0; treatment_3 = 0; treatment_4 = 0; treatment_5 = 0; treatment_6 = 0; treatment_7 = 0; treatment_8 = 0; treatment_9 = 0
   Diagnósticos: statistic = "F" (F = W/m against F(m, n − k)) · df_numerator = 88 (number of restrictions) · df_denominator = 18.00018000 (residual degrees of freedom n − k) · se_type = "classical" (classical (homoskedastic) standard errors) · n_obs = 18.00918009
3. 3Conferência de lastro e resposta final
   • ✓
     #0situação da ferramenta

     Verifica a situação de retorno da ferramenta.
   • ✓
     #1diagnósticodf_numerator

     certified between-treatment df
   • ✓
     #2diagnósticodf_denominator

     certified within-treatment df
   • ✓
     #3dígitos corretos (LRE)F

     certified F statistic

Valores esperados e de onde vêm

Verificações

Caminho de referência e caminho do agente

A chamada de referência ao lado da chamada que deu a resposta, argumento por argumento.

Trajetória

Cada evento na ordem em que aconteceu: turnos do modelo, chamadas de ferramentas, guardas, transformações e pontuação.

1. 0Início

   Tarefa de ferramenta: nenhuma pergunta; a especificação de referência é chamada direto.

   d (agent)

   NIST StRD SmLs06: 18009 observations; treatment = the treatment level (1 to 9), response = the response, treatment_2 … treatment_9 = 1 when the row is at that treatment level (level 1 is the reference)

   file ae23a4613f8b46098984fa422b7db1ef16270f7f20c2787f128d57f0e2b778df · frame —

   1. dummies {"column":"treatment","drop_first":true,"prefix":"treatment"}
2. 1Transformação
   d · dummies {"column":"treatment","drop_first":true,"prefix":"treatment"}

   18009 → 18009 linhas

   Frame antes → depois: 700eb25f65a6 → 3c6294d25176
3. 2Ferramenta
   infer.linear_hypothesis— Teste de hipótese linear conjunta (estatística F / Wald)v0.1.0call_bc708032decidido pelo códigoreexecutável

   Argumentos

   {
     "cluster": null,
     "dataset": "d",
     "hypothesis": "treatment_2 = 0, treatment_3 = 0, treatment_4 = 0, treatment_5 = 0, treatment_6 = 0, treatment_7 = 0, treatment_8 = 0, treatment_9 = 0",
     "se": "classical",
     "subset": null,
     "x": [
       "treatment_2",
       "treatment_3",
       "treatment_4",
       "treatment_5",
       "treatment_6",
       "treatment_7",
       "treatment_8",
       "treatment_9"
     ],
     "y": "response"
   }

   Figuras call_bc708032

   Chave	Valor	Valor bruto	Erro-padrão	IC
   F F statistic of treatment_2 = 0; treatment_3 = 0; treatment_4 = 0; treatment_5 = 0; treatment_6 = 0; treatment_7 = 0; treatment_8 = 0; treatment_9 = 0	2.001	2001.0000001288806	—	—
   p_value p-value of treatment_2 = 0; treatment_3 = 0; treatment_4 = 0; treatment_5 = 0; treatment_6 = 0; treatment_7 = 0; treatment_8 = 0; treatment_9 = 0	0probabilidade	0	—	—

   Diagnósticos

   • statistic = "F" (F = W/m against F(m, n − k))
   • df_numerator = 88 (number of restrictions)
   • df_denominator = 18.00018000 (residual degrees of freedom n − k)
   • se_type = "classical" (classical (homoskedastic) standard errors)
   • n_obs = 18.00918009
   • n_clusters = — (errors not clustered)

   Derivação matemática e pressupostos

   F

   1. Estatística de Wald das 8 restrições, com a covariância classical (homoskedastic) standard errors.→ 16.008 (16008.000001031045)
   2. Estatística F: a de Wald dividida pelo número de restrições.F = W / m→ 2.001 (2001.0000001288806)

   p_value

   1. Probabilidade de uma F(8, 18000) exceder a estatística observada.→ 0 (0)

   Pressupostos do estimador

   • errors are independent and have the same variance for every observation

   Tabelas (2)

   {
     "coefficients": [
       {
         "ci_high": 1000000.4043818121,
         "ci_low": 1000000.395618188,
         "coef": 1000000.4,
         "p": 0,
         "se": 0.0022355091701072006,
         "t": 447325563.8455048,
         "term": "Intercept"
       },
       {
         "ci_high": -0.0938031819294916,
         "ci_low": -0.10619681814029942,
         "coef": -0.10000000003489551,
         "p": 9.559125210513519e-214,
         "se": 0.0031614873871750556,
         "t": -31.630681318090097,
         "term": "treatment_2"
       },
       {
         "ci_high": 0.10619681808212067,
         "ci_low": 0.0938031818713132,
         "coef": 0.09999999997671694,
         "p": 9.559130486672132e-214,
         "se": 0.0031614873871749667,
         "t": 31.630681299688707,
         "term": "treatment_3"
       },
       {
         "ci_high": -0.09380318192949195,
         "ci_low": -0.10619681814029906,
         "coef": -0.10000000003489551,
         "p": 9.559125209979459e-214,
         "se": 0.003161487387174869,
         "t": -31.630681318091963,
         "term": "treatment_4"
       },
       {
         "ci_high": 0.10619681808212107,
         "ci_low": 0.0938031818713128,
         "coef": 0.09999999997671694,
         "p": 9.559130487249695e-214,
         "se": 0.0031614873871751684,
         "t": 31.630681299686692,
         "term": "treatment_5"
       },
       {
         "ci_high": -0.09380318192949134,
         "ci_low": -0.10619681814029967,
         "coef": -0.10000000003489551,
         "p": 9.55912521087506e-214,
         "se": 0.0031614873871751814,
         "t": -31.63068131808884,
         "term": "treatment_6"
       },
       {
         "ci_high": 0.1061968180821212,
         "ci_low": 0.09380318187131267,
         "coef": 0.09999999997671694,
         "p": 9.559130487441719e-214,
         "se": 0.003161487387175235,
         "t": 31.630681299686024,
         "term": "treatment_7"
       },
       {
         "ci_high": -0.09380318192949152,
         "ci_low": -0.10619681814029949,
         "coef": -0.10000000003489551,
         "p": 9.559125210615533e-214,
         "se": 0.0031614873871750908,
         "t": -31.630681318089746,
         "term": "treatment_8"
       },
       {
         "ci_high": 0.10619681808212084,
         "ci_low": 0.09380318187131303,
         "coef": 0.09999999997671694,
         "p": 9.559130486910658e-214,
         "se": 0.00316148738717505,
         "t": 31.630681299687875,
         "term": "treatment_9"
       }
     ],
     "restrictions": [
       {
         "estimate": -0.10000000003489551,
         "hypothesized": 0,
         "restriction": "treatment_2 = 0"
       },
       {
         "estimate": 0.09999999997671694,
         "hypothesized": 0,
         "restriction": "treatment_3 = 0"
       },
       {
         "estimate": -0.10000000003489551,
         "hypothesized": 0,
         "restriction": "treatment_4 = 0"
       },
       {
         "estimate": 0.09999999997671694,
         "hypothesized": 0,
         "restriction": "treatment_5 = 0"
       },
       {
         "estimate": -0.10000000003489551,
         "hypothesized": 0,
         "restriction": "treatment_6 = 0"
       },
       {
         "estimate": 0.09999999997671694,
         "hypothesized": 0,
         "restriction": "treatment_7 = 0"
       },
       {
         "estimate": -0.10000000003489551,
         "hypothesized": 0,
         "restriction": "treatment_8 = 0"
       },
       {
         "estimate": 0.09999999997671694,
         "hypothesized": 0,
         "restriction": "treatment_9 = 0"
       }
     ]
   }

   Hashes SHA-256 e metadados de reprodução

   Digests dos dados

   d 3c6294d25176826fcdbeeb6ba8f4f88752b3e4c9c29006551a440c2b2ee29b0a

   sha256 do resultado

   4cf6fb89e357d919de49e6647f58990ef4cd749881a3c059873d2145ebbda816

4. 3Pontuação
   #0situação da ferramentapassouobrigatóriastatus ok
5. 4Pontuação
   #1diagnósticopassouobrigatória8 vs 8
6. 5Pontuação
   #2diagnósticopassouobrigatória18000 vs 18000
7. 6Pontuação
   #3dígitos corretos (LRE)passouobrigatóriaLRE 10.19 (min 9.0)

Épocas × verificações

Tentativas

Cada tentativa é seu próprio arquivo e é publicada; só a última de cada época é pontuada.

• época 1, tentativa 1passoupontuada(exibindo)

Downloads desta tarefa