Aan de slagBegin gratis

Variatie in twee delen

Gegeven twee gegevenssets met afstand-tegen-tijd-data: één met een heel kleine snelheid en één met een grote snelheid. Let op dat beide dezelfde standaardfout van de helling kunnen hebben, maar een andere R-kwadraat voor het model als geheel, afhankelijk van de grootte van de helling ("effectgrootte") vergeleken met de standaardfout ("onzekerheid").

Als we beide gegevenssets als scatterplots in dezelfde assen weergeven, wordt het contrast duidelijk. Variatie door de helling is iets anders dan variatie door de willekeurige spreiding rond de trendlijn. In deze oefening is je doel om de standaardfout en R-kwadraat voor twee gegevenssets te berekenen en te vergelijken.

Deze oefening maakt deel uit van de cursus

Introductie tot lineaire modellering in Python

Bekijk cursus

Oefeninstructies

  • Bouw en fit() een ols()-model voor beide gegevenssets distances1 en distances2.
  • Gebruik de .bse van de resulterende modellen model_1 en model_2, en de sleutel 'times' om de standaardfoutwaarden voor de helling uit elk model te halen.
  • Gebruik het attribuut .rsquared om de R-kwadraatwaarde uit elk model te halen.
  • Print de resulterende se_1, rsquared_1, se_2, rsquared_2, en vergelijk ze visueel.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Build and fit two models, for columns distances1 and distances2 in df
model_1 = ols(formula="____ ~ times", data=df).____()
model_2 = ols(formula="____ ~ times", data=df).____()

# Extract R-squared for each model, and the standard error for each slope
se_1 = model_1.____['times']
se_2 = model_2.____['times']
rsquared_1 = model_1.____
rsquared_2 = model_2.____

# Print the results
print('Model 1: SE = {:0.3f}, R-squared = {:0.3f}'.format(____, ____))
print('Model 2: SE = {:0.3f}, R-squared = {:0.3f}'.format(____, ____))
Code bewerken en uitvoeren