Interpréter l'inférence du modèle

Modèles linéaires généralisés en Python

Ita Cirovic Donev

Data Science Consultant

Estimation du coefficient bêta

  • Estimation du maximum de vraisemblance (MLE)
  • Coefficient estimé, $\hat\beta$
    • la log-vraisemblance est maximale

Fonction de vraisemblance

Modèles linéaires généralisés en Python

Estimation du coefficient bêta

  • Moindres carrés repondérés itératifs (IRLS)

Sommaire du modèle ajusté

Modèles linéaires généralisés en Python

Test de signification

Sommaire du modèle ajusté avec statistiques sur l'estimation des coefficients mises en évidence.

Modèles linéaires généralisés en Python

Erreur type (ET)

  • Pic plus plat
    $\rightarrow$ maximum moins bien défini
    $\rightarrow$ ET plus grand

Visualisation de la vraisemblance quand l'erreur type est plus grande.

  • Pic plus aigu
    $\rightarrow$ maximum mieux défini
    $\rightarrow$ ET plus petite

Visualisation de la vraisemblance quand l'erreur type est plus petite.

Modèles linéaires généralisés en Python

Calcul de l'erreur type

# Extract variance-covariance matrix
print(model_GLM.cov_params())

           Intercept    weight
Intercept   0.774762 -0.325087
weight     -0.325087  0.141903

# Compute standard error for weight
std_error = np.sqrt(0.141903)

0.3767

Matrice variance-covariance

Illustration de la matrice variance-covariance

Modèles linéaires généralisés en Python

Test de signification

  • Statistique z $$ \color{#2485F2}{z=\hat\beta/SE} $$

  • $\color{#2485F2}{z}$ grand $\Rightarrow$ coefficient $\ne0$ $\Rightarrow$ variable significative

  • Règle pratique : seuil de 2

Exemple : modèle de la limule
y ~ weight

$z = 1.8151/0.377 = 4.819$

Modèles linéaires généralisés en Python

Intervalles de confiance pour bêta

  • Incertitude des estimations
  • Intervalles de confiance à 95 % pour $\beta$

$$ [\color{#5A5AF3}{inf},\color{#D8498E}{sup}] $$

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

Modèles linéaires généralisés en Python

Calculer les intervalles de confiance

Exemple : modèle de la limule

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

Modèles linéaires généralisés en Python

Extraire les intervalles de confiance

print(model_GLM.conf_int())

                  0         1
Intercept -5.419897 -1.969555
weight     1.076826  2.553463
Modèles linéaires généralisés en Python

Extraire les intervalles de confiance

print(model_GLM.conf_int())

              lower         1
Intercept -5.419897 -1.969555
weight     1.076826  2.553463
Modèles linéaires généralisés en Python

Extraire les intervalles de confiance

print(model_GLM.conf_int())

                  0     upper
Intercept -5.419897 -1.969555
weight     1.076826  2.553463
Modèles linéaires généralisés en Python

Intervalles de confiance pour les cotes (odds)

  1. Extraire les intervalles de confiance pour $\beta$

  2. Exponentier les bornes

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

                  0          1
Intercept  0.004428   0.139519
weight     2.935348  12.851533
Modèles linéaires généralisés en Python

Passons à la pratique !

Modèles linéaires généralisés en Python

Preparing Video For Download...