{"id":3442,"date":"2023-07-17T11:29:47","date_gmt":"2023-07-17T11:29:47","guid":{"rendered":"https:\/\/statorials.org\/nl\/statsmodels-lineaire-regressie-p-waarde\/"},"modified":"2023-07-17T11:29:47","modified_gmt":"2023-07-17T11:29:47","slug":"statsmodels-lineaire-regressie-p-waarde","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/statsmodels-lineaire-regressie-p-waarde\/","title":{"rendered":"Hoe p-waarden uit lineaire regressie in statistische modellen kunnen worden gehaald"},"content":{"rendered":"

<\/p>\n

\n

U kunt de volgende methoden gebruiken om p-waarden te extraheren voor co\u00ebffici\u00ebnten in een lineaire regressiemodelpassing met behulp van de statsmodels-<\/a> module in Python:<\/span><\/p>\n

 #extract p-values for all predictor variables\n<\/span>for<\/span> x in<\/span> range(0, 3):\n    print<\/span> ( model.pvalues<\/span> [x])\n\n#extract p-value for specific predictor variable name\n<\/span>model. pvalues<\/span> . loc<\/span> [' predictor1<\/span> ']\n\n#extract p-value for specific predictor variable position<\/span>\nmodel. pvalues<\/span> [0]\n<\/strong><\/pre>\n
 De volgende voorbeelden laten zien hoe u elke methode in de praktijk kunt gebruiken.<\/span><\/p>\n
 Voorbeeld: Extraheer P-waarden uit lineaire regressie in statistische modellen<\/strong><\/span><\/h2>\n
 Stel dat we het volgende panda’s DataFrame hebben dat informatie bevat over de gestudeerde uren, de afgelegde voorbereidende examens en het eindcijfer dat studenten in een bepaalde klas hebben ontvangen:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6],\n                   ' exams<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2],\n                   ' score<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96]})\n\n#view head of DataFrame\n<\/span>df. head<\/span> ()\n\n\thours exam score\n0 1 1 76\n1 2 3 78\n2 2 3 85\n3 4 5 88\n4 2 2 72<\/strong><\/pre>\n
 import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define predictor and response variables\n<\/span>y = df['score']\nx = df[['hours', 'exams']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n                            OLS Regression Results                            \n==================================================== ============================\nDept. Variable: R-squared score: 0.718\nModel: OLS Adj. R-squared: 0.661\nMethod: Least Squares F-statistic: 12.70\nDate: Fri, 05 Aug 2022 Prob (F-statistic): 0.00180\nTime: 09:24:38 Log-Likelihood: -38.618\nNo. Observations: 13 AIC: 83.24\nDf Residuals: 10 BIC: 84.93\nDf Model: 2                                         \nCovariance Type: non-robust                                         \n==================================================== ============================\n                 coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 71.4048 4.001 17.847 0.000 62.490 80.319\nhours 5.1275 1.018 5.038 0.001 2.860 7.395\nexams -1.2121 1.147 -1.057 0.315 -3.768 1.344\n==================================================== ============================\nOmnibus: 1,103 Durbin-Watson: 1,248\nProb(Omnibus): 0.576 Jarque-Bera (JB): 0.803\nSkew: -0.289 Prob(JB): 0.669\nKurtosis: 1.928 Cond. No. 11.7\n==================================================== ============================\n<\/strong><\/pre>\n
 Standaard geeft de functie summary()<\/strong> de p-waarden van elke voorspellende variabele weer met maximaal drie decimalen:<\/span><\/p>\n
 We kunnen de OLS()<\/strong> -functie van de statsmodels-module gebruiken om een meervoudig lineair regressiemodel<\/a> te passen, met behulp van „uren“ en „examens“ als voorspellende variabelen en „score“ alsde responsvariabele<\/a> :<\/span><\/p>\n