<\/p>\n
Mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cych metod, aby wyodr\u0119bni\u0107 warto\u015bci p dla wsp\u00f3\u0142czynnik\u00f3w w dopasowaniu modelu regresji liniowej za pomoc\u0105 modu\u0142u statsmodels<\/a> w Pythonie:<\/span><\/p>\n Poni\u017csze przyk\u0142ady pokazuj\u0105, jak zastosowa\u0107 ka\u017cd\u0105 metod\u0119 w praktyce.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 DataFrame pandy, kt\u00f3ra zawiera informacje o przepracowanych godzinach, zdanych egzaminach przygotowawczych i ko\u0144cowej ocenie uzyskanej przez uczni\u00f3w w okre\u015blonych zaj\u0119ciach:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji OLS()<\/strong> modu\u0142u statsmodels, aby dopasowa\u0107 model regresji liniowej wielokrotnej<\/a> , u\u017cywaj\u0105c \u201egodzin\u201d i \u201eegzamin\u00f3w\u201d jako zmiennych predykcyjnych oraz \u201ewyniku\u201d jakozmiennej odpowiedzi<\/a> :<\/span><\/p>\n Domy\u015blnie funkcja podsumowania()<\/strong> wy\u015bwietla warto\u015bci p ka\u017cdej zmiennej predykcyjnej z dok\u0142adno\u015bci\u0105 do trzech miejsc po przecinku:<\/span><\/p>\n Mo\u017cemy jednak wyodr\u0119bni\u0107 z modelu pe\u0142ne warto\u015bci p dla ka\u017cdej zmiennej predykcyjnej, stosuj\u0105c nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n Dzi\u0119ki temu mo\u017cemy zobaczy\u0107 warto\u015bci p z wi\u0119ksz\u0105 liczb\u0105 miejsc po przecinku:<\/span><\/p>\n Uwaga<\/strong> : U\u017cyli\u015bmy 3<\/strong> w naszej funkcji range(),<\/strong> poniewa\u017c w naszym modelu regresji istnia\u0142y trzy wsp\u00f3\u0142czynniki ca\u0142kowite.<\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni, aby konkretnie wyodr\u0119bni\u0107 warto\u015b\u0107 p dla zmiennej \u201egodziny\u201d:<\/span><\/p>\n Lub mogliby\u015bmy u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni, aby wyodr\u0119bni\u0107 warto\u015b\u0107 p wsp\u00f3\u0142czynnika zmiennej w okre\u015blonej pozycji modelu regresji:<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w Pythonie:<\/span><\/p>\n Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie<\/a> Mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cych metod, aby wyodr\u0119bni\u0107 warto\u015bci p dla wsp\u00f3\u0142czynnik\u00f3w w dopasowaniu modelu regresji liniowej za pomoc\u0105 modu\u0142u statsmodels w Pythonie: #extract p-values for all predictor variables for x in range(0, 3): print ( model.pvalues [x]) #extract p-value for specific predictor variable name model. pvalues . loc [’ predictor1 ’] #extract p-value for specific predictor […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3440","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\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 Przyk\u0142ad: Wyodr\u0119bnij warto\u015bci P z regresji liniowej w modelach statystycznych<\/strong><\/span><\/h2>\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\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\n6.514115622692573e-09\n0.0005077783375870773\n0.3154807854805659\n<\/strong><\/pre>\n\n
#extract p-value for 'hours' only\n<\/span>model. pvalues<\/span> . loc<\/span> [' hours<\/span> ']\n\n0.0005077783375870773\n<\/strong><\/pre>\n #extract p-value for coefficient in index position 0\n<\/span>model. pvalues<\/span> [0]\n\n6.514115622692573e-09<\/strong><\/pre>\n Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak obliczy\u0107 AIC modeli regresji w Pythonie<\/a>
Jak obliczy\u0107 skorygowany R-kwadrat w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"