Interpolación: momentos intermedios

En este ejercicio, construirás un modelo lineal ajustando datos mensuales de series temporales del Dow Jones Industrial Average (DJIA) y luego usarás ese modelo para hacer predicciones sobre datos diarios (en la práctica, una interpolación). Después compararás esa predicción diaria con los datos diarios reales del DJIA.

Algunas notas sobre los datos. "OHLC" significa "Open-High-Low-Close" (apertura‑máximo‑mínimo‑cierre), que suele ser información diaria, por ejemplo, los precios de apertura y cierre, y los precios más alto y más bajo, de una acción en un día determinado. "DayCount" es un número entero de días desde el inicio de la recogida de datos.

Este ejercicio forma parte del curso

Introducción al modelado lineal en Python

Ver curso

Instrucciones del ejercicio

Usa ols() para .fit() un modelo con data=df_monthly y formula="Close ~ DayCount".
Usa model_fit.predict() tanto en df_monthly.DayCount como en df_daily.DayCount para predecir valores de los precios Close mensuales y diarios, y guárdalos como una nueva columna Model en cada DataFrame.
Usa la función predefinida plot_model_with_data dos veces, en df_monthly y df_daily, y compara los valores de RSS mostrados.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# build and fit a model to the df_monthly data
model_fit = ols('Close ~ DayCount', ____=df_monthly).____()

# Use the model FIT to the MONTHLY data to make a predictions for both monthly and daily data
df_monthly['Model'] = model_fit.____(df_monthly.____)
df_daily['Model'] = model_fit.____(df_daily.____)

# Plot the monthly and daily data and model, compare the RSS values seen on the figures
fig_monthly = plot_model_with_data(____)
fig_daily = plot_model_with_data(____)

Editar y ejecutar código