Model çıkarımlarını yorumlama

Python ile Genelleştirilmiş Doğrusal Modeller

Ita Cirovic Donev

Data Science Consultant

Beta katsayısının tahmini

Olabilirlik fonksiyonu

Uydurulmuş modelin özet çıktısı

Katsayı tahmini istatistikleri vurgulanmış uyum özet çıktısı.

Daha basık tepe
$\rightarrow$ Maksimumun yeri daha belirsiz
$\rightarrow$ Daha büyük SE

Standart hata büyükken olabilirlik görselleştirmesi.

Daha sivri tepe
$\rightarrow$ Maksimumun yeri daha net
$\rightarrow$ Daha küçük SE

Standart hata küçükken olabilirlik görselleştirmesi.

# Varyans-kovaryans matrisini çıkar
print(model_GLM.cov_params())

           Intercept    weight
Intercept   0.774762 -0.325087
weight     -0.325087  0.141903

# weight için standart hatayı hesapla
std_error = np.sqrt(0.141903)

0.3767

Varyans-kovaryans matrisi

Varyans-kovaryans matrisinin görselleştirmesi

z-istatistiği $$ \color{#2485F2}{z=\hat\beta/SE} $$
$\color{#2485F2}{z}$ büyükse $\Rightarrow$ katsayı $\ne0$ $\Rightarrow$ değişken anlamlı
Pratik kural: eşik 2

Örnek: nal kabuklu yengeç modeli
y ~ weight

$z = 1.8151/0.377 = 4.819$

$$ [\color{#5A5AF3}{alt},\color{#D8498E}{üst}] $$

$$ [\color{#5A5AF3}{\hat\beta - 1.96 \times SE},\color{#D8498E}{\hat\beta+1.96 \times SE}] $$

Örnek: nal kabuklu yengeç modeli

                 coef    std err   
<hr />-------------------------------
Intercept     -3.6947      0.880  
weight         1.8151      0.377

print(model_GLM.conf_int())

                  0         1
Intercept -5.419897 -1.969555
weight     1.076826  2.553463

print(model_GLM.conf_int())

              lower         1
Intercept -5.419897 -1.969555
weight     1.076826  2.553463

print(model_GLM.conf_int())

                  0     upper
Intercept -5.419897 -1.969555
weight     1.076826  2.553463

print(np.exp(model_GLM.conf_int()))

                  0          1
Intercept  0.004428   0.139519
weight     2.935348  12.851533

Python ile Genelleştirilmiş Doğrusal Modeller