CommencezCommencez gratuitement

Estimer le paramètre lambda

Dans la vidéo, vous avez vu comment la fonction de lien logarithmique permet d'obtenir une combinaison linéaire des paramètres définissant le modèle de régression de Poisson de la forme

$$ log(\lambda)=\beta_0+\beta_1x_1 $$

Pour obtenir la fonction de réponse en termes de lambda, on a exponentié la fonction du modèle pour obtenir

$$ \lambda=E(y)=exp(\beta_0 + \beta_1x_1) $$ $$ \lambda=E(y)=exp(\beta_0) \times exp(\beta_1x_1) $$

Dans cet exercice, vous utiliserez cette formulation avec les données sur les bernard-l'ermite à fer à cheval afin de calculer l'estimation de la moyenne de \(y\) pour la largeur des femelles.

Le jeu de données crab est déjà chargé dans l'espace de travail.

Cette activité fait partie du cours

Modèles linéaires généralisés en Python

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import libraries
import ____.____ as sm
from ____.formula.api import ____

# Fit Poisson regression of sat by width
model = ____('____ ~ ____', data = ____, family = ____.____.____).____

# Display model results
____(model.____)
Modifier et exécuter le code