Interpretacja dopasowania modelu

Uogólnione modele liniowe w Pythonie

Ita Cirovic Donev

Data Science Consultant

Estymacja parametrów

Estymacja największej wiarygodności (MLE)
Iteracyjnie reważona metoda najmniejszych kwadratów (IRLS)

Funkcja odpowiedzi

Model regresji Poissona $$ log(\lambda)=\beta_0+\beta_1x_1 $$
Funkcja odpowiedzi: $$ \lambda=exp(\beta_0 + \beta_1x_1) $$ lub $$ \lambda=exp(\beta_0) \times exp(\beta_1x_1) $$

Funkcja odpowiedzi

Model regresji Poissona $$ log(\lambda)=\beta_0+\beta_1x_1 $$
Funkcja odpowiedzi: $$ \lambda=exp(\beta_0 + \beta_1x_1) $$ lub $$ \lambda=exp(\beta_0) \color{red}{\times} exp(\beta_1x_1) $$

Interpretacja parametrów

$exp(\beta_0)$
- Efekt na średnią $\lambda$ przy $x=0$
$exp(\beta_1)$
- Multiplikatywny efekt na średnią $\lambda$ przy wzroście $x$ o 1

Interpretacja efektu współczynnika

Jeśli $\color{#FF550D}{\beta_1 > 0}$
- $exp(\beta_1)>1$
- $\lambda$ jest $\color{#FF550D}{exp(\beta_1)\text{ razy większe}}$ niż przy $x=0$

Jeśli $\color{#D04A73}{\beta<0}$
- $exp(\beta_1)<1$
- $\lambda$ jest $\color{#D04A73}{exp(\beta_1) \text{ razy mniejsze}}$ niż przy $x=0$

Jeśli $\color{#0099FF}{\beta_1 = 0}$
- $exp(\beta_1)=1$
- $\lambda=exp(\beta_0)$
- Współczynnik multiplikatywny wynosi 1
- $y$ i $x$ $\text{\color{#0099FF}{nie są powiązane}}$

Przykład

model = glm('sat ~ weight', data = crab, 
            family = sm.families.Poisson()).fit()

                 Generalized Linear Model Regression Results (print cut)                 
=============================================================================
                 coef    std err          z      P>|z|      [0.025     0.975]
-----------------------------------------------------------------------------
Intercept     -0.4284      0.179     -2.394      0.017      -0.779     -0.078
weight         0.5893      0.065      9.064      0.000       0.462      0.717
=============================================================================

Przykład – interpretacja bety

Wyodrębnij współczynniki modelu
```
model.params
```

Intercept   -0.428405
weight       0.589304

Oblicz efekt
```
np.exp(0.589304)
```

1.803

Przedział ufności dla ...

$\beta_1$

print(model.conf_int())

                  0         1
Intercept -0.779112 -0.077699
weight     0.461873  0.716735

Multiplikatywny efekt na średnią

print(np.exp(crab_fit.conf_int()))

                  0         1
Intercept  0.458813  0.925243
weight     1.587044  2.047737

Czas na ćwiczenia!

Uogólnione modele liniowe w Pythonie