Koeffizienten als Quoten (odds)

Zuvor hast du ein logistisches Regressionsmodell für die Wahrscheinlichkeit angepasst, den Brunnen zu wechseln, gegeben die arsenic-Werte. In dieser Übung siehst du, wie eine weitere Variable distance100 mit der Wechselwahrscheinlichkeit zusammenhängt und wie man die Koeffizienten als Quoten interpretiert.

Denk daran: Das logistische Regressionsmodell arbeitet mit Log-Quoten (log odds). Um herauszufinden, um welchen Faktor sich die Quoten bei einer Einheitserhöhung von x verändern, exponentierst du die Koeffizientenschätzungen. Das nennt man auch Odds Ratio (Quotenverhältnis).

Zur Erinnerung: Quoten sind das Verhältnis aus Eintreten eines Ereignisses zu Nicht-Eintreten. Wenn die Gewinnquote eines Spiels zum Beispiel 1/2 oder 1 zu 2 (1:2) ist, bedeutet das: Auf einen Sieg kommen zwei Niederlagen.

Der Datensatz wells ist im Workspace geladen.

Diese Übung ist Teil des Kurses

Generalisierte lineare Modelle in Python

Kurs anzeigen

Anleitung zur Übung

Importiere die Bibliothek statsmodels und die Funktion glm aus statsmodels.formula.api. Importiere außerdem numpy als np.
Passe mit glm() ein logistisches Regressionsmodell an, in dem switch durch distance100 vorhergesagt wird.
Extrahiere die Modellkoeffizienten über .params.
Berechne den multiplikativen Effekt auf die Quoten mit der Funktion exp() aus numpy.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Load libraries and functions
import ____.api as sm
from ____.____.api import glm
import ____ as ____

# Fit logistic regression model
model_GLM = ____(formula = ____,
                data = ____,
                family = ____.____.____).____ 

# Extract model coefficients
print('Model coefficients: \n', ____.____)

# Compute the multiplicative effect on the odds
print('Odds: \n', np.____(____.____))

Code bearbeiten und ausführen