Inkludera en interaktion
Precis som när man har en numerisk och en kategorisk förklaringsvariabel kan även numeriska förklaringsvariabler interagera med varandra. Med den här modellstrukturen får du en tredje lutningskoefficient: en för varje förklaringsvariabel och en för interaktionen.
Här ska du köra, förutsäga och plotta samma modell som i föregående övning, men den här gången med en interaktion mellan förklaringsvariablerna.
Den här övningen är en del av kursen
Intermediär regression med statsmodels i Python
Övningsinstruktioner
- Byt namn på modellen till
mdl_price_vs_conv_dist_inter. - Anpassa resten av koden från föregående övning så att en interaktion inkluderas.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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()