Variação em torno da tendência

Os dados não precisam ser perfeitamente lineares; pode haver variação aleatória ou "dispersão" nas medições, o que se traduz em variação nos parâmetros do modelo. Essa variação no parâmetro é quantificada pelo "erro padrão" e interpretada como a "incerteza" na estimativa do parâmetro do modelo.

Neste exercício, você vai usar ols do statsmodels para construir um modelo e extrair o erro padrão de cada parâmetro desse modelo.

Este exercicio faz parte do curso

Introdução à Modelagem Linear em Python

Ver curso

Instruções do exercicio

Armazene os dados pré-carregados em um DataFrame df, nomeando x_data como times e y_data como distances.
Use model_fit = ols().fit() para ajustar um modelo linear da forma formula="distances ~ times" aos data=df.
Extraia a interceptação estimada com model_fit.params['Intercept'] e o erro padrão da interceptação com model_fit.bse['Intercept'].
Repita para o coeficiente angular (slope) e, em seguida, imprima os 4 valores com nomes descritivos.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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(____))

Editar e Executar Código