Rozptyl kolem trendu

Data nemusí být dokonale lineární – v měřeních může existovat určitá náhodná variabilita neboli „rozptyl", která se promítá i do variability parametrů modelu. Tato variabilita parametru je kvantifikována pomocí „standardní chyby" a interpretována jako „nejistota" v odhadu daného parametru.

V tomto cvičení použiješ ols z knihovny statsmodels k sestavení modelu a extrakci standardní chyby pro každý parametr tohoto modelu.

Toto cvičení je součástí kurzu

Úvod do lineárního modelování v Pythonu

Zobrazit kurz

Pokyny k cvičení

Ulož předem načtená data do DataFrame df – pojmenuj x_data jako times a y_data jako distances.
Pomocí model_fit = ols().fit() nafituj lineární model ve tvaru formula="distances ~ times" na data=df.
Extrahuj odhadovaný intercept model_fit.params['Intercept'] a standardní chybu interceptu z model_fit.bse['Intercept'].
Totéž zopakuj pro slope a nakonec všechny 4 hodnoty vypiš s výstižnými názvy.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Store x_data and y_data, as times and distances, in df, and use ols() to fit a model to it.
df = pd.DataFrame(dict(____=x_data, ____=y_data))
model_fit = ols(____="distances ~ times", data=____).____()

# Extact the model parameters and their uncertainties
a0 = model_fit.____['Intercept']
e0 = model_fit.____['Intercept']
a1 = model_fit.____['times']
e1 = model_fit.____['times']

# Print the results with more meaningful names
print('Estimate    of the intercept = {:0.2f}'.format(____))
print('Uncertainty of the intercept = {:0.2f}'.format(____))
print('Estimate    of the slope = {:0.2f}'.format(____))
print('Uncertainty of the slope = {:0.2f}'.format(____))

Upravit a spustit kód