插值：时间间隔内的预测

在本练习中，您将通过拟合道琼斯工业平均指数（DJIA）的月度时间序列来构建线性模型，然后用该模型对日度数据进行预测（本质上是一次插值）。接着，您将把该日度预测与真实的日度 DJIA 数据进行比较。

关于数据的几点说明："OHLC" 代表 "Open-High-Low-Close"（开盘价-最高价-最低价-收盘价），通常是按日度提供，例如某只股票在某天的开盘与收盘价格，以及当日最高与最低价格。"DayCount" 是从数据收集开始起算的天数（整数）。

本练习是课程的一部分

Python 线性建模入门

查看课程

练习说明

使用 ols() 并调用 .fit()，在 data=df_monthly 上拟合模型，formula="Close ~ DayCount"。
对 df_monthly.DayCount 和 df_daily.DayCount 都调用 model_fit.predict()，预测月度与日度的 Close 价格，并在各自的 DataFrame 中将结果存为新列 Model。
使用预定义的 plot_model_with_data 各运行一次，分别对 df_monthly 和 df_daily 绘图，并比较显示的 RSS 值。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# build and fit a model to the df_monthly data
model_fit = ols('Close ~ DayCount', ____=df_monthly).____()

# Use the model FIT to the MONTHLY data to make a predictions for both monthly and daily data
df_monthly['Model'] = model_fit.____(df_monthly.____)
df_daily['Model'] = model_fit.____(df_daily.____)

# Plot the monthly and daily data and model, compare the RSS values seen on the figures
fig_monthly = plot_model_with_data(____)
fig_daily = plot_model_with_data(____)

编辑并运行代码