ПочатиПочніть безкоштовно

Варіація з двох складників

Маємо два набори даних «відстань проти часу»: один із дуже малою швидкістю, інший — із великою. Зауважте, що обидва можуть мати однакову стандартну похибку нахилу, але різні R-squared для моделі загалом — залежно від величини нахилу («розмір ефекту») порівняно зі стандартною похибкою («невизначеність»).

Якщо зобразити обидва набори як точкові діаграми на одних осях, контраст добре видно. Варіація, зумовлена нахилом, відрізняється від варіації, спричиненої випадковим розсіюванням навколо трендової лінії. У цій вправі ваша мета — обчислити стандартну похибку та R-squared для двох наборів даних і порівняти їх.

Ця вправа є частиною курсу

Вступ до лінійного моделювання в Python

Переглянути курс

Інструкції до вправи

  • Побудуйте та викличте fit() для моделі ols() для обох наборів даних: distances1 і distances2.
  • Використайте .bse отриманих моделей model_1 і model_2 та ключ 'times', щоб дістати значення стандартної похибки для нахилу з кожної моделі.
  • Використайте атрибут .rsquared, щоб отримати значення R-squared з кожної моделі.
  • Надрукуйте отримані se_1, rsquared_1, se_2, rsquared_2 і порівняйте їх візуально.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____, ____))
Редагувати та запускати код