Een interactie opnemen
Net als bij één numerieke en één categorische verklarende variabele kunnen ook numerieke verklarende variabelen met elkaar interacteren. Met zo’n modelstructuur krijg je een derde hellingscoëfficiënt: één voor elke verklarende variabele en één voor de interactie.
Hier ga je hetzelfde model als in de vorige oefening draaien, voorspellen en plotten, maar dit keer met een interactie tussen de verklarende variabelen.
Deze oefening maakt deel uit van de cursus
Gemiddelde regressie met statsmodels in Python
Oefeninstructies
- Verander de naam van het model in
mdl_price_vs_conv_dist_inter. - Pas de rest van de code uit de vorige oefening aan om een interactie op te nemen.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()
# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")
plt.show()