"""用确定的分组数据观察混杂造成的相关方向反转。""" import json # NumPy 用于计算 Pearson 相关与最小二乘;Matplotlib 展示两组点的位置。 import matplotlib.pyplot as plt import numpy as np def main(): # 两个模拟条件同时影响 x 的水平和 y 的基准。观察没有随机分配。 x = np.array([1.0, 2, 3, 7, 8, 9]) y = np.array([6.0, 5, 4, 12, 11, 10]) group = np.array([0, 0, 0, 1, 1, 1]) # corrcoef 返回 2×2 相关矩阵,取非对角线 [0, 1] 得到 x、y 的相关系数。 pooled = np.corrcoef(x, y)[0, 1] # 布尔条件同时筛选 x 和 y,保持一行观测的配对关系。 within = [np.corrcoef(x[group == value], y[group == value])[0, 1] for value in (0, 1)] # 6×3 设计矩阵依次是截距列、测量 x 和组指示变量;组变量允许两组拥有不同截距。 # 目标为最小化平方残差。beta[1] 是控制组别后 x 的公共斜率。 beta = np.linalg.lstsq(np.column_stack((np.ones(len(x)), x, group)), y, rcond=None)[0] np.testing.assert_allclose([pooled, *within, beta[1]], [25 / 29, -1, -1, -1]) # 每种颜色代表一个组。连线连接组内点,横纵坐标仍分别是原始 x、y。 fig, ax = plt.subplots(figsize=(5.5, 3.7), layout="constrained") for value in (0, 1): mask = group == value ax.plot(x[mask], y[mask], "o-", label=f"Group {value + 1}") ax.set(xlabel="Measured x", ylabel="Outcome y") ax.legend() print("LAB_RESULT " + json.dumps({"pooled_r": pooled, "within_r": within, "adjusted_slope": beta[1]})) plt.show() if __name__ == "__main__": main()