Variasi di Sekitar Tren

Data tidak harus benar-benar linear, dan mungkin ada variasi acak atau "sebaran" pada pengukuran, yang berdampak pada variasi parameter model. Variasi pada parameter ini dikuantifikasi oleh "standard error", dan ditafsirkan sebagai "ketidakpastian" dalam estimasi parameter model.

Dalam latihan ini, Anda akan menggunakan ols dari statsmodels untuk membangun model dan mengekstrak standard error untuk setiap parameter model tersebut.

Latihan ini adalah bagian dari kursus

Pengantar Pemodelan Linear di Python

Lihat Kursus

Petunjuk latihan

Simpan data yang telah dimuat sebelumnya ke dalam DataFrame df, beri label x_data sebagai times dan y_data sebagai distances.
Gunakan model_fit = ols().fit() untuk menyesuaikan model linear dengan bentuk formula="distances ~ times" pada data=df.
Ekstrak intersep taksiran model_fit.params['Intercept'] dan standard error untuk intersep dari model_fit.bse['Intercept'].
Ulangi untuk kemiringan (slope), lalu cetak keempatnya dengan nama yang bermakna.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Store x_data and y_data, as times and distances, in df, and use ols() to fit a model to it.
df = pd.DataFrame(dict(____=x_data, ____=y_data))
model_fit = ols(____="distances ~ times", data=____).____()

# Extact the model parameters and their uncertainties
a0 = model_fit.____['Intercept']
e0 = model_fit.____['Intercept']
a1 = model_fit.____['times']
e1 = model_fit.____['times']

# Print the results with more meaningful names
print('Estimate    of the intercept = {:0.2f}'.format(____))
print('Uncertainty of the intercept = {:0.2f}'.format(____))
print('Estimate    of the slope = {:0.2f}'.format(____))
print('Uncertainty of the slope = {:0.2f}'.format(____))

Edit dan Jalankan Kode