Zmienność wokół trendu
Dane nie muszą być idealnie liniowe – w pomiarach może występować pewna losowa zmienność lub „rozrzut", który przekłada się na zmienność parametrów modelu. Ta zmienność jest wyrażana przez „błąd standardowy" i interpretowana jako „niepewność" w szacowaniu parametru modelu.
W tym ćwiczeniu użyjesz funkcji ols z biblioteki statsmodels, aby zbudować model i wyodrębnić błąd standardowy dla każdego z jego parametrów.
To ćwiczenie jest częścią kursu
Wprowadzenie do modelowania liniowego w Pythonie
Instrukcje do ćwiczenia
- Zapisz wstępnie załadowane dane w DataFrame
df, nadając kolumnom nazwy:x_data→timesorazy_data→distances. - Użyj
model_fit = ols().fit(), aby dopasować model liniowy z formułąformula="distances ~ times"do danychdata=df. - Wyodrębnij szacowany wyraz wolny
model_fit.params['Intercept']oraz błąd standardowy wyrazu wolnego zmodel_fit.bse['Intercept']. - Powtórz to samo dla nachylenia, a następnie wydrukuj wszystkie 4 wartości z czytelnymi nazwami.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(____))