Koefficienter uttryckta som kvoter

Tidigare har du anpassat en logistisk regressionsmodell för sannolikheten att byta brunn givet arsenic-nivåerna. I den här övningen undersöker du hur variabeln distance100 relaterar till sannolikheten att byta brunn och hur koefficientvärdena tolkas i termer av kvoter.

Kom ihåg att den logistiska regressionsmodellen är uttryckt i log-kvoter (log odds). För att ta reda på hur mycket kvoten multipliceras vid en enhets ökning i x tar du exponenten av koefficientestimaterna. Detta kallas även oddskvot.

Kvoter är ett förhållande mellan att en händelse inträffar och att den inte inträffar. Om kvoten för att vinna ett spel till exempel är 1/2, eller 1 mot 2 (1:2), innebär det att för varje vinst finns det 2 förluster.

Datamängden wells är inläst i workspace.

Den här övningen är en del av kursen

Generaliserade linjära modeller i Python

Visa kurs

Övningsinstruktioner

Importera biblioteket statsmodels och funktionen glm från statsmodels.formula.api. Importera även numpy som np.
Använd glm() för att anpassa en logistisk regressionsmodell där switch förutsägs av distance100.
Extrahera modellkoefficienterna med .params.
Beräkna den multiplikativa effekten på kvoten med hjälp av numpy-funktionen exp().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Load libraries and functions
import ____.api as sm
from ____.____.api import glm
import ____ as ____

# Fit logistic regression model
model_GLM = ____(formula = ____,
                data = ____,
                family = ____.____.____).____ 

# Extract model coefficients
print('Model coefficients: \n', ____.____)

# Compute the multiplicative effect on the odds
print('Odds: \n', np.____(____.____))

Redigera och kör kod