Normalmente, quando realizamos regress\u00e3o linear, queremos estimar o valor m\u00e9dio da vari\u00e1vel resposta.<\/span><\/p>\n No entanto, poder\u00edamos, em vez disso, usar um m\u00e9todo conhecido como regress\u00e3o quant\u00edlica<\/strong> para estimar qualquer<\/em> valor quant\u00edlico ou percentil do valor da resposta, como o percentil 70, o percentil 90, o percentil 98, etc.<\/span><\/p>\n Este tutorial fornece um exemplo passo a passo de como usar esta fun\u00e7\u00e3o para realizar regress\u00e3o quant\u00edlica em Python.<\/span><\/p>\n Primeiro, carregaremos os pacotes e fun\u00e7\u00f5es necess\u00e1rios:<\/span><\/p>\n Para este exemplo, criaremos um conjunto de dados contendo as horas estudadas e os resultados dos exames obtidos para 100 alunos de uma universidade:<\/span><\/p>\n A seguir, ajustaremos um modelo de regress\u00e3o quant\u00edlica usando horas estudadas como vari\u00e1vel preditora e notas em exames como vari\u00e1vel resposta.<\/span><\/p>\n Usaremos o modelo para prever o percentil 90 esperado das notas dos exames com base no n\u00famero de horas estudadas:<\/span><\/p>\n A partir do resultado podemos ver a equa\u00e7\u00e3o de regress\u00e3o estimada:<\/span><\/p>\n 90\u00ba percentil da nota do exame = 59,6104 + 2,8495*(horas)<\/span><\/p>\n Por exemplo, a pontua\u00e7\u00e3o do percentil 90 de todos os alunos que estudam 8 horas deveria ser 82,4:<\/span><\/p>\n 90\u00ba percentil da nota do exame = 59,6104 + 2,8495*(8) = 82,4<\/strong> .<\/span><\/p>\n A sa\u00edda tamb\u00e9m exibe os limites de confian\u00e7a superior e inferior para a intercepta\u00e7\u00e3o e os tempos da vari\u00e1vel preditora.<\/span><\/p>\n Tamb\u00e9m podemos visualizar os resultados da regress\u00e3o criando um gr\u00e1fico de dispers\u00e3o com a equa\u00e7\u00e3o de regress\u00e3o quant\u00edlica ajustada sobreposta no gr\u00e1fico:<\/span> <\/p>\n Ao contr\u00e1rio de uma linha de regress\u00e3o linear simples, observe que esta linha ajustada n\u00e3o representa a \u201clinha de melhor ajuste\u201d para os dados. Em vez disso, passa pelo percentil 90 estimado em cada n\u00edvel da vari\u00e1vel preditora.<\/span><\/p>\n Como realizar regress\u00e3o linear simples em Python<\/a> A regress\u00e3o linear \u00e9 um m\u00e9todo que podemos usar para compreender a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta . Normalmente, quando realizamos regress\u00e3o linear, queremos estimar o valor m\u00e9dio da vari\u00e1vel resposta. No entanto, poder\u00edamos, em vez disso, usar um m\u00e9todo conhecido como regress\u00e3o quant\u00edlica para estimar qualquer valor […]<\/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-1325","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Passo 1: Carregue os pacotes necess\u00e1rios<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> statsmodels. formula<\/span> . api<\/span> as<\/span> smf\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\n Etapa 2: crie os dados<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (0)\n\n#create dataset\n<\/span>obs = 100\n\nhours = np. random<\/span> . uniform<\/span> (1, 10, obs)\nscore = 60 + 2*hours + np. random<\/span> . normal<\/span> (loc=0, scale=.45*hours, size=100)\n\ndf = pd. DataFrame<\/span> ({' hours<\/span> ':hours, ' score<\/span> ':score})\n\n#view first five rows\n<\/span>df. head<\/span> ()\n\nhours score\n0 5.939322 68.764553\n1 7.436704 77.888040\n2 6.424870 74.196060\n3 5.903949 67.726441\n4 4.812893 72.849046<\/strong><\/pre>\n Etapa 3: realizar a regress\u00e3o quant\u00edlica<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nmodel = smf. quantreg<\/span> ('score~hours', df). fit<\/span> (q= 0.9<\/span> )\n\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n QuantReg Regression Results \n==================================================== ============================\nDept. Variable: Pseudo R-squared score: 0.6057\nModel: QuantReg Bandwidth: 3.822\nMethod: Least Squares Sparsity: 10.85\nDate: Tue, 29 Dec 2020 No. Observations: 100\nTime: 15:41:44 Df Residuals: 98\n Model: 1\n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nIntercept 59.6104 0.748 79.702 0.000 58.126 61.095\nhours 2.8495 0.128 22.303 0.000 2.596 3.103\n==================================================== ============================<\/strong><\/span><\/pre>\n Etapa 4: visualize os resultados<\/strong><\/span><\/h3>\n
#define figure and axis\n<\/span>fig, ax = plt.subplots(figsize=(8, 6))\n\n#get y values\n<\/span>get_y = lambda<\/span> a, b: a + b * hours\ny = get_y( model.params<\/span> [' Intercept<\/span> '], model.params<\/span> [' hours<\/span> '])\n\n#plot data points with quantile regression equation overlaid\n<\/span>ax. plot<\/span> (hours, y, color=' black<\/span> ')\nax. scatter<\/span> (hours, score, alpha=.3)\nax. set_xlabel<\/span> (' Hours Studied<\/span> ', fontsize=14)\nax. set_ylabel<\/span> (' Exam Score<\/span> ', fontsize=14)\n<\/strong><\/span><\/pre>\n![\"Regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quantregpython1.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o quadr\u00e1tica em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"