Incluir una interacción
Al igual que en el caso con una variable explicativa numérica y otra categórica, las variables explicativas numéricas también pueden interactuar. Con esta estructura de modelo, obtendrás un tercer coeficiente de pendiente: uno para cada variable explicativa y otro para la interacción.
Aquí vas a ajustar, predecir y graficar el mismo modelo que en el ejercicio anterior, pero esta vez incluyendo una interacción entre las variables explicativas.
Este ejercicio forma parte del curso
Regresión intermedia con statsmodels en Python
Instrucciones del ejercicio
- Cambia el nombre del modelo a
mdl_price_vs_conv_dist_inter. - Adapta el resto del código del ejercicio anterior para incluir una interacción.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()
# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")
plt.show()