含交互项的单个模型

Python 中级回归：使用 statsmodels

Maarten Van den Broeck

Content Developer at DataCamp

什么是交互作用？

在鱼类数据集中

不同鱼种的质量与长度比不同。
长度对期望质量的影响因鱼种而异。

更一般地说

一个解释变量对期望响应的影响会随另一个解释变量的取值而改变。

指定交互项

无交互项

response ~ explntry1 + explntry2

有交互项（隐式）

response_var ~ explntry1 * explntry2

有交互项（显式）

response ~ explntry1 + explntry2 + explntry1:explntry2

无交互项

mass_g ~ length_cm + species

有交互项（隐式）

mass_g ~ length_cm * species

有交互项（显式）

mass_g ~ length_cm + species + length_cm:species

运行模型

mdl_mass_vs_both = ols("mass_g ~ length_cm * species", data=fish).fit()

print(mdl_mass_vs_both.params)

Intercept                    -1035.3476
species[T.Perch]               416.1725
species[T.Pike]               -505.4767
species[T.Roach]               705.9714
length_cm                       54.5500
length_cm:species[T.Perch]     -15.6385
length_cm:species[T.Pike]       -1.3551
length_cm:species[T.Roach]     -31.2307

更易理解的系数

mdl_mass_vs_both_inter = ols("mass_g ~ species + species:length_cm + 0", data=fish).fit()

print(mdl_mass_vs_both_inter.params)

species[Bream]             -1035.3476
species[Perch]              -619.1751
species[Pike]              -1540.8243
species[Roach]              -329.3762
species[Bream]:length_cm      54.5500
species[Perch]:length_cm      38.9115
species[Pike]:length_cm       53.1949
species[Roach]:length_cm      23.3193

熟悉的数字

print(mdl_mass_vs_both_inter.params)

species[Bream]             -1035.3476
species[Perch]              -619.1751
species[Pike]              -1540.8243
species[Roach]              -329.3762
species[Bream]:length_cm      54.5500
species[Perch]:length_cm      38.9115
species[Pike]:length_cm       53.1949
species[Roach]:length_cm      23.3193

print(mdl_bream.params)

Intercept   -1035.3476
length_cm      54.5500

Passons à la pratique !

Python 中级回归：使用 statsmodels