İki Parçada Varyasyon

Biri çok küçük, diğeri büyük hız değerine sahip iki mesafe-zamana göre veri kümesi veriliyor. Her ikisinin de eğim için standart hatası aynı olabilir; ancak eğimin büyüklüğüne ("etki büyüklüğü") kıyasla standart hata ("belirsizlik") farklı olduğunda, modelin genel R-kare değeri değişebilir.

Her iki veri kümesini aynı eksenlerde saçılım grafiği olarak çizdiğimizde karşıtlık netleşir. Eğimden kaynaklanan varyasyon, eğilim çizgisi etrafındaki rastgele saçılmadan kaynaklanan varyasyondan farklıdır. Bu egzersizde amacın, iki veri kümesi için standart hata ve R-kare değerlerini hesaplayıp karşılaştırmaktır.

Bu egzersiz, kursun bir parçasıdır

Python ile Doğrusal Modellemenin Temelleri

Kursa Göz Atın

Egzersiz talimatları

Her iki veri kümesi (distances1 ve distances2) için bir ols() modeli kur ve fit() et.
Ortaya çıkan model_1 ve model_2 modellerinin .bse özelliğini ve 'times' anahtarını kullanarak her modelden eğimin standart hata değerlerini çıkar.
Her modelden R-kare değerini çıkarmak için .rsquared özniteliğini kullan.
Ortaya çıkan se_1, rsquared_1, se_2, rsquared_2 değerlerini yazdır ve görsel olarak karşılaştır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(____, ____))

Kodu Düzenle ve Çalıştır