1. Apprendre
    2. /
  2. Cours
    3. /
  3. Modèles linéaires généralisés en Python
Connected

Exercice

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.

Instructions 1/2

undefined XP
    1
    2
  • Importez la bibliothèque statsmodels.api sous le nom sm et glm depuis statsmodels.formula.api.
  • Ajustez et affichez un modèle de régression de Poisson avec sat comme variable réponse et width comme variable explicative.