<\/p>\n
Een waarschijnlijkheidsratiotest<\/strong> vergelijkt de ‚goodness of fit‘ van twee geneste regressiemodellen<\/a> .<\/span><\/p>\n Een genest model<\/a> is eenvoudigweg een model dat een subset van voorspellende variabelen in het algehele regressiemodel bevat.<\/span><\/p>\n Stel dat we bijvoorbeeld het volgende regressiemodel hebben met vier voorspellende variabelen:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> x 1<\/sub> + \u03b2 2<\/sub> x 2<\/sub> + \u03b2 3<\/sub> x 3<\/sub> + \u03b2 4<\/sub> x 4<\/sub> + \u03b5<\/span><\/p>\n Een voorbeeld van een genest model is het volgende model met slechts twee van de oorspronkelijke voorspellende variabelen:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> x 1<\/sub> + \u03b2 2<\/sub> x 2<\/sub> + \u03b5<\/span><\/p>\n Om te bepalen of deze twee modellen significant van elkaar verschillen, kunnen we een waarschijnlijkheidsratiotest uitvoeren waarbij gebruik wordt gemaakt van de volgende nul- en alternatieve hypothesen:<\/span><\/p>\n H 0<\/sub> :<\/strong> Het volledige model en het geneste model passen even goed bij de gegevens. U moet dus een genest model gebruiken<\/strong> .<\/span><\/p>\n H A<\/sub> :<\/strong> Het volledige model past aanzienlijk beter bij de gegevens dan het geneste model. U moet dus het volledige sjabloon gebruiken<\/strong> .<\/span><\/p>\n Als de p-waarde<\/a> van de test onder een bepaald significantieniveau ligt (bijvoorbeeld 0,05), kunnen we de nulhypothese verwerpen en concluderen dat het volledige model een significant betere fit biedt.<\/span><\/p>\n In het volgende stapsgewijze voorbeeld ziet u hoe u een waarschijnlijkheidsratiotest in Python uitvoert.<\/span><\/p>\n In dit voorbeeld laten we zien hoe je de volgende twee regressiemodellen in Python kunt passen met behulp van gegevens uit de mtcars<\/strong> -gegevensset:<\/span><\/p>\n Volledig model:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> beschikbaar + \u03b2 2<\/sub> carb + \u03b2 3<\/sub> pk + \u03b2 4<\/sub> cil<\/span><\/p>\n Model:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> beschikbaar + \u03b2 2<\/sub> carb<\/span><\/p>\n Eerst laden we de dataset:<\/span><\/p>\n Gerelateerd:<\/strong> CSV-bestanden lezen met Panda’s<\/a><\/span><\/p>\n Eerst zullen we het volledige model fitten en de log-waarschijnlijkheid van het model berekenen:<\/span><\/p>\n Vervolgens passen we het gereduceerde model aan en berekenen we de log-waarschijnlijkheid van het model:<\/span><\/p>\n Vervolgens zullen we de volgende code gebruiken om de plausibiliteitstest uit te voeren:<\/span><\/span><\/p>\n Uit het resultaat kunnen we zien dat de chikwadraattoetsstatistiek 2,0902<\/strong> is en de<\/span> overeenkomstige p-waarde 0,3517<\/strong> .<\/span><\/p>\n Omdat deze p-waarde niet kleiner is dan 0,05, zullen we er niet in slagen de nulhypothese te verwerpen.<\/span><\/p>\n Dit betekent dat het volledige model en het geneste model even goed bij de gegevens passen. We moeten daarom het geneste model gebruiken, omdat de extra voorspellende variabelen in het volledige model geen significante verbetering van de fit opleveren.<\/span><\/p>\n Ons uiteindelijke model zou dus zijn:<\/span><\/p>\n mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> beschikbaar + \u03b2 2<\/sub> koolhydraten<\/span><\/p>\n Opmerking<\/strong> : We gebruikten 2 vrijheidsgraden bij het berekenen van de p-waarde, omdat dit het verschil vertegenwoordigde in de totale voorspellende variabelen die tussen de twee modellen werden gebruikt.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over het gebruik van regressiemodellen in Python:<\/span><\/p>\n Een complete gids voor lineaire regressie in Python<\/a> Een waarschijnlijkheidsratiotest vergelijkt de ‚goodness of fit‘ van twee geneste regressiemodellen . Een genest model is eenvoudigweg een model dat een subset van voorspellende variabelen in het algehele regressiemodel bevat. Stel dat we bijvoorbeeld het volgende regressiemodel hebben met vier voorspellende variabelen: Y = \u03b2 0 + \u03b2 1 x 1 + \u03b2 2 x […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2474","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Gegevens laden<\/strong><\/span><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\nimport<\/span> scipy\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n<\/strong><\/pre>\n Stap 2: Pas de regressiemodellen aan<\/strong><\/span><\/h3>\n
#define response variable\n<\/span>y1 = data['mpg']\n\n#define predictor variables\n<\/span>x1 = data[['disp', 'carb', 'hp', 'cyl']]\n\n#add constant to predictor variables\n<\/span>x1 = sm. add_constant<\/span> (x1)\n\n#fit regression model\n<\/span>full_model = sm. OLS<\/span> (y1,x1). fit<\/span> ()\n\n#calculate log-likelihood of model\n<\/span>full_ll = full_model. llf\n<\/span>\nprint<\/span> (full_ll)\n\n-77.55789711787898\n<\/strong><\/pre>\n #define response variable\n<\/span>y2 = data['mpg']\n\n#define predictor variables\n<\/span>x2 = data[['disp', 'carb']]\n\n#add constant to predictor variables\n<\/span>x2 = sm. add_constant<\/span> (x2)\n\n#fit regression model\n<\/span>reduced_model = sm. OLS<\/span> (y2, x2). fit<\/span> ()\n\n#calculate log-likelihood of model\n<\/span>reduced_ll = reduced_model. llf\n<\/span>\nprint<\/span> (reduced_ll)\n\n-78.60301334355185\n<\/strong><\/pre>\n Stap 3: Voer de logwaarschijnlijkheidstest uit<\/strong><\/span><\/h3>\n
#calculate likelihood ratio Chi-Squared test statistic<\/span>\nLR_statistic = -2 *<\/span> (reduced_ll-full_ll)\n\nprint<\/span> (LR_statistic)\n\n2.0902324513457415\n\n#calculate p-value of test statistic using 2 degrees of freedom\n<\/span>p_val = scipy. stats<\/span> . chi2<\/span> . sf<\/span> (LR_statistic, 2)\n\nprint<\/span> (p_val)\n\n0.35165094613502257\n<\/strong><\/span><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe polynomiale regressie uit te voeren in Python<\/a>
Hoe logistieke regressie uit te voeren in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"