승산 관점에서의 계수

이전에는 arsenic 수준에 따라 우물을 바꾸는지의 확률에 대해 로지스틱 회귀 모형을 적합했어요. 이번 연습에서는 또 다른 변수 distance100이 전환 확률과 어떻게 관련되는지 살펴보고, 계수 값을 승산 관점에서 해석해 볼 거예요.

로지스틱 회귀 모형은 로그 승산(log odds)으로 표현되므로, x가 한 단위 증가할 때 승산이 얼마나 곱해지는지 알아보려면 계수 추정치를 지수화하면 돼요. 이를 오즈비(odds ratio)라고도 합니다.

승산(odds)은 사건이 발생할 확률 대비 발생하지 않을 확률의 비율이에요. 예를 들어, 어떤 게임에서 승산이 1/2 또는 1 대 2(1:2)라면, 한 번 이길 때마다 두 번 진다는 뜻입니다.

데이터셋 wells는 작업 공간에 불러와져 있어요.

이 연습은 강의의 일부입니다

Python으로 배우는 Generalized Linear Models

강의 보기

연습 안내

statsmodels 라이브러리와 statsmodels.formula.api에서 glm 함수를 가져오세요. 또한 numpy를 np로 임포트하세요.
glm()을 사용해 switch를 distance100으로 예측하는 로지스틱 회귀 모형을 적합하세요.
.params를 사용해 모형 계수를 추출하세요.
numpy의 exp() 함수를 사용해 승산에 대한 곱셈 효과를 계산하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Load libraries and functions
import ____.api as sm
from ____.____.api import glm
import ____ as ____

# Fit logistic regression model
model_GLM = ____(formula = ____,
                data = ____,
                family = ____.____.____).____ 

# Extract model coefficients
print('Model coefficients: \n', ____.____)

# Compute the multiplicative effect on the odds
print('Odds: \n', np.____(____.____))

코드 편집 및 실행