交互项

在视频中，您学习了当一个变量是连续型、另一个是分类型时，如何在模型结构中加入交互项。本练习将分析两个连续变量之间交互作用的影响。

为了更易解释系数效果，您将使用中心化后的变量而不是原始值。也就是说，从均值水平出发来解释，而不是以 0 为基准，因为对当前研究而言 0 可能并不合理。换句话说，我们不希望在解释模型时假设 arsenic 或 distance100 为 0。

模型 'switch ~ distance100 + arsenic' 已作为 model_dist_ars 预加载到工作区中。
数据集 wells 也已预加载。

本练习是课程的一部分

Python 中的广义线性模型

查看课程

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import libraries
import statsmodels.api as sm
from statsmodels.formula.api import glm

# Fit GLM and print model summary
model_int = ____('____ ~ ____(____) + ____(____) + ____(____):____(____)', 
                data = ____, family = ____).____

# View model results
print(____.____)

编辑并运行代码