<\/p>\n
Um teste de raz\u00e3o de verossimilhan\u00e7a<\/strong> compara a qualidade do ajuste de dois modelos de regress\u00e3o<\/a> aninhados.<\/span><\/p>\n Um modelo aninhado<\/a> \u00e9 simplesmente um modelo que cont\u00e9m um subconjunto de vari\u00e1veis preditoras no modelo de regress\u00e3o geral.<\/span><\/p>\n Por exemplo, suponha que temos o seguinte modelo de regress\u00e3o com quatro vari\u00e1veis preditoras:<\/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 Um exemplo de modelo aninhado seria o seguinte modelo com apenas duas das vari\u00e1veis preditoras originais:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> x 1<\/sub> + \u03b2 2<\/sub> x 2<\/sub> + \u03b5<\/span><\/p>\n Para determinar se esses dois modelos s\u00e3o significativamente diferentes, podemos realizar um teste de raz\u00e3o de verossimilhan\u00e7a que utiliza as seguintes hip\u00f3teses nulas e alternativas:<\/span><\/p>\n H 0<\/sub> :<\/strong> O modelo completo e o modelo aninhado ajustam-se igualmente bem aos dados. Ent\u00e3o, voc\u00ea deve usar modelo aninhado<\/strong> .<\/span><\/p>\n HA<\/sub> :<\/strong> O modelo completo ajusta os dados significativamente melhor do que o modelo aninhado. Ent\u00e3o voc\u00ea tem que usar o modelo completo<\/strong> .<\/span><\/p>\n Se o valor p<\/a> do teste estiver abaixo de um certo n\u00edvel de signific\u00e2ncia (por exemplo, 0,05), ent\u00e3o podemos rejeitar a hip\u00f3tese nula e concluir que o modelo completo proporciona um ajuste significativamente melhor.<\/span><\/p>\n O exemplo passo a passo a seguir mostra como realizar um teste de raz\u00e3o de verossimilhan\u00e7a em Python.<\/span><\/p>\n Neste exemplo, mostraremos como ajustar os dois modelos de regress\u00e3o a seguir em Python usando dados do conjunto de dados mtcars<\/strong> :<\/span><\/p>\n Modelo completo:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> dispon\u00edvel + \u03b2 2<\/sub> carb + \u03b2 3<\/sub> hp + \u03b2 4<\/sub> cil<\/span><\/p>\n Modelo:<\/strong> mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> dispon\u00edvel + \u03b2 2<\/sub> carb<\/span><\/p>\n Primeiro, carregaremos o conjunto de dados:<\/span><\/p>\n Relacionado:<\/strong> Como ler arquivos CSV com Pandas<\/a><\/span><\/p>\n Primeiro, ajustaremos o modelo completo e calcularemos a probabilidade logar\u00edtmica do modelo:<\/span><\/p>\n A seguir, ajustaremos o modelo reduzido e calcularemos a probabilidade logar\u00edtmica do modelo:<\/span><\/p>\n A seguir, usaremos o seguinte c\u00f3digo para realizar o teste de plausibilidade:<\/span><\/span><\/p>\n A partir do resultado, podemos ver que a estat\u00edstica do teste qui-quadrado \u00e9 2,0902<\/strong> e o<\/span> valor p correspondente \u00e9 0,3517<\/strong> .<\/span><\/p>\n Como esse valor p n\u00e3o \u00e9 inferior a 0,05, n\u00e3o conseguiremos rejeitar a hip\u00f3tese nula.<\/span><\/p>\n Isso significa que o modelo completo e o modelo aninhado ajustam-se igualmente bem aos dados. Devemos, portanto, usar o modelo aninhado, porque as vari\u00e1veis preditoras adicionais no modelo completo n\u00e3o proporcionam uma melhoria significativa no ajuste.<\/span><\/p>\n Ent\u00e3o, nosso modelo final seria:<\/span><\/p>\n mpg = \u03b2 0<\/sub> + \u03b2 1<\/sub> dispon\u00edvel + \u03b2 2<\/sub> carboidratos<\/span><\/p>\n Nota<\/strong> : Usamos 2 graus de liberdade ao calcular o valor p porque isso representa a diferen\u00e7a no total de vari\u00e1veis preditoras usadas entre os dois modelos.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre o uso de modelos de regress\u00e3o em Python:<\/span><\/p>\n Um guia completo para regress\u00e3o linear em Python<\/a> Um teste de raz\u00e3o de verossimilhan\u00e7a compara a qualidade do ajuste de dois modelos de regress\u00e3o aninhados. Um modelo aninhado \u00e9 simplesmente um modelo que cont\u00e9m um subconjunto de vari\u00e1veis preditoras no modelo de regress\u00e3o geral. Por exemplo, suponha que temos o seguinte modelo de regress\u00e3o com quatro vari\u00e1veis preditoras: Y = \u03b2 0 + […]<\/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-2473","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: carregar dados<\/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 Passo 2: Ajustar os modelos de regress\u00e3o<\/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 Etapa 3: realizar o teste de log de probabilidade<\/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 Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o polinomial em Python<\/a>
Como realizar regress\u00e3o log\u00edstica em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"