Incluindo uma interação
Assim como no caso com uma variável explicativa numérica e outra categórica, é possível que variáveis explicativas numéricas interajam. Com essa estrutura de modelo, você terá um terceiro coeficiente de inclinação: um para cada variável explicativa e um para a interação.
Aqui, você vai ajustar, prever e plotar o mesmo modelo do exercício anterior, mas agora incluindo uma interação entre as variáveis explicativas.
Este exercicio faz parte do curso
Regressão Intermediária com statsmodels em Python
Instruções do exercicio
- Altere o nome do modelo para
mdl_price_vs_conv_dist_inter. - Adapte o restante do código do exercício anterior para incluir uma interação.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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()