Kom igångKom igång gratis

Variation i två delar

Givet två datamängder med avstånd mot tid – en med mycket låg hastighet och en med hög hastighet. Observera att båda kan ha samma standardfel för lutningen, men olika R-kvadrat för modellen totalt sett, beroende på hur stor lutningen ("effektstorlek") är i förhållande till standardfelet ("osäkerhet").

Ritar vi båda datamängderna som punktdiagram i samma axelsystem blir kontrasten tydlig. Variation som beror på lutningen skiljer sig från variation som beror på slumpmässig spridning kring trenden. I den här övningen är målet att beräkna standardfelet och R-kvadrat för de två datamängderna och jämföra dem.

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

Visa kurs

Övningsinstruktioner

  • Bygg och anpassa (fit()) en ols()-modell för båda datamängderna distances1 och distances2.
  • Använd .bse på de resulterande modellerna model_1 och model_2, med nyckeln 'times', för att extrahera standardfelvärdena för lutningen från respektive modell.
  • Använd attributet .rsquared för att extrahera R-kvadratvärdet från respektive modell.
  • Skriv ut se_1, rsquared_1, se_2, rsquared_2 och jämför resultaten visuellt.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Build and fit two models, for columns distances1 and distances2 in df
model_1 = ols(formula="____ ~ times", data=df).____()
model_2 = ols(formula="____ ~ times", data=df).____()

# Extract R-squared for each model, and the standard error for each slope
se_1 = model_1.____['times']
se_2 = model_2.____['times']
rsquared_1 = model_1.____
rsquared_2 = model_2.____

# Print the results
print('Model 1: SE = {:0.3f}, R-squared = {:0.3f}'.format(____, ____))
print('Model 2: SE = {:0.3f}, R-squared = {:0.3f}'.format(____, ____))
Redigera och kör kod