<\/p>\n
Voc\u00ea pode usar os seguintes m\u00e9todos para extrair valores p para coeficientes em um ajuste de modelo de regress\u00e3o linear usando o m\u00f3dulo statsmodels<\/a> em Python:<\/span><\/p>\n Os exemplos a seguir mostram como usar cada m\u00e9todo na pr\u00e1tica.<\/span><\/p>\n Suponha que temos o seguinte DataFrame do pandas que cont\u00e9m informa\u00e7\u00f5es sobre horas estudadas, exames preparat\u00f3rios realizados e nota final recebida pelos alunos de uma determinada turma:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o OLS()<\/strong> do m\u00f3dulo statsmodels para ajustar um modelo de regress\u00e3o linear m\u00faltipla<\/a> , usando “horas” e “exames” como vari\u00e1veis preditoras e “pontua\u00e7\u00e3o” como vari\u00e1vel de resposta<\/a> :<\/span><\/p>\n Por padr\u00e3o, a fun\u00e7\u00e3o summary()<\/strong> exibe os valores p de cada vari\u00e1vel preditora com at\u00e9 tr\u00eas casas decimais:<\/span><\/p>\n No entanto, podemos extrair os valores p completos para cada vari\u00e1vel preditora do modelo usando a seguinte sintaxe:<\/span><\/p>\n Isso nos permite ver valores p com mais casas decimais:<\/span><\/p>\n Nota<\/strong> : Usamos 3<\/strong> em nossa fun\u00e7\u00e3o range()<\/strong> porque havia tr\u00eas coeficientes totais em nosso modelo de regress\u00e3o.<\/span><\/p>\n Tamb\u00e9m podemos usar a seguinte sintaxe para extrair especificamente o valor p da vari\u00e1vel \u201choras\u201d:<\/span><\/p>\n Ou poder\u00edamos usar a seguinte sintaxe para extrair o valor p do coeficiente de uma vari\u00e1vel em uma posi\u00e7\u00e3o espec\u00edfica do modelo de regress\u00e3o:<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em Python:<\/span><\/p>\n Como realizar regress\u00e3o log\u00edstica em Python<\/a> Voc\u00ea pode usar os seguintes m\u00e9todos para extrair valores p para coeficientes em um ajuste de modelo de regress\u00e3o linear usando o m\u00f3dulo statsmodels em Python: #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 ‘] […]<\/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-3441","post","type-post","status-publish","format-standard","hentry","category-guia"],"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 Exemplo: Extrair valores P da regress\u00e3o linear em modelos estat\u00edsticos<\/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 Recursos adicionais<\/strong><\/span><\/h2>\n
Como calcular AIC de modelos de regress\u00e3o em Python<\/a>
Como calcular R-quadrado ajustado em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"