ПочатиПочніть безкоштовно

Варіація навколо тренду

Дані не обов'язково мають бути ідеально лінійними, у вимірюваннях може бути випадкова варіація або «розкид», і це призводить до варіації параметрів моделі. Цю варіацію параметра кількісно описує «стандартна похибка», яку інтерпретують як «невизначеність» оцінки параметра моделі.

У цій вправі ви використаєте ols зі statsmodels, щоб побудувати модель і отримати стандартну похибку для кожного параметра цієї моделі.

Ця вправа є частиною курсу

Вступ до лінійного моделювання в Python

Переглянути курс

Інструкції до вправи

  • Збережіть попередньо завантажені дані в DataFrame df, позначивши x_data як times, а y_data як distances.
  • Використайте model_fit = ols().fit(), щоб підігнати лінійну модель у формі formula="distances ~ times" до data=df.
  • Видобудьте оцінений вільний член model_fit.params['Intercept'] і стандартну похибку вільного члена з model_fit.bse['Intercept'].
  • Повторіть для коефіцієнта нахилу (slope), а потім виведіть усі 4 значення з інформативними назвами.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____))
Редагувати та запускати код