UsePython_IE/Chapter06/Confidence-Bands.py · yanbridge/Python

代码拉取完成,页面将自动刷新

扫描微信二维码支付

取消

支付完成

richgiteeai

Watch

不关注关注所有动态仅关注版本发行动态关注但不提醒动态

1 Star 0 Fork 0

yanbridge/Python

代码 Issues 0 Pull Requests 0 Wiki 统计流水线

服务

加入 Gitee

与超过 1400万开发者一起发现、参与优秀开源项目,私有仓库也完全免费 :)

免费加入

已有帐号? 立即登录

文件

main

分支 (1)

管理

main

该仓库未声明开源许可证文件(LICENSE),使用请关注具体项目描述及其代码上游依赖。

项目仓库所选许可证以仓库主分支所使用许可证为准

克隆/下载

HTTPS SSH SVN SVN+SSH 下载ZIP

提示

下载代码请复制以下命令到终端执行

为确保你提交的代码身份被 Gitee 正确识别,请执行以下命令完成配置

git config --global user.name userName 
git config --global user.email userEmail

初次使用 SSH 协议进行代码克隆、推送等操作时,需按下述提示完成 SSH 配置

1 生成 RSA 密钥

2 获取 RSA 公钥内容,并配置到 SSH公钥中

在 Gitee 上使用 SVN,请访问使用指南

使用 HTTPS 协议时,命令行会出现如下账号密码验证步骤。基于安全考虑,Gitee 建议配置并使用私人令牌替代登录密码进行克隆、推送等操作

Username for 'https://gitee.com': userName

Password for 'https://userName@gitee.com': # 私人令牌

分支 1

标签 0

Python

UsePython_IE

Chapter06

Confidence-Bands.py

Confidence-Bands.py 1.65 KB

import wooldridge as woo
import numpy as np
import statsmodels.formula.api as smf
import pandas as pd
import matplotlib.pyplot as plt

gpa2 = woo.dataWoo('gpa2')

# regress and report coefficients:
reg = smf.ols(formula='colgpa ~ sat', data=gpa2)
results = reg.fit()
print(f'beta_hat: \n{results.params}\n')

# regressor (SAT) values for prediction from 400 to 1600 in steps of 100:
SAT = pd.DataFrame({'sat': np.arange(400, 1600 + 1, 100)})

# predictions and 95% confidence intervals:
colgpa_pred = results.get_prediction(SAT)
colgpa_pred_CI = colgpa_pred.summary_frame(alpha=0.05)[['mean', 'mean_ci_lower', 'mean_ci_upper']]
print(f'colgpa_pred_CI: \n{colgpa_pred_CI}\n')

# plot:
plt.plot(SAT, colgpa_pred_CI['mean'], color='black', linestyle='-', label='')
plt.plot(SAT, colgpa_pred_CI['mean_ci_upper'], color='green', linestyle='--', label='upper CI')
plt.plot(SAT, colgpa_pred_CI['mean_ci_lower'], color='red', linestyle='--', label='lower CI')
plt.ylabel('colgpa')
plt.xlabel('sat')
plt.legend()
plt.savefig('PyGraphs/Confidence-Bands.pdf')

# quadratic model as an alternative:
reg2 = smf.ols(formula='colgpa ~ sat + I(sat**2)', data=gpa2)
results2 = reg2.fit()
colgpa_pred2 = results2.get_prediction(SAT)
colgpa_pred2_CI = colgpa_pred2.summary_frame(alpha=0.05)[['mean', 'mean_ci_lower', 'mean_ci_upper']]

# plot:
plt.plot(SAT, colgpa_pred2_CI['mean'], color='black', linestyle='-', label='')
plt.plot(SAT, colgpa_pred2_CI['mean_ci_upper'], color='green', linestyle='--', label='upper CI')
plt.plot(SAT, colgpa_pred2_CI['mean_ci_lower'], color='red', linestyle='--', label='lower CI')
plt.ylabel('colgpa')
plt.xlabel('sat')
plt.legend()
plt.savefig('PyGraphs/Confidence-Bands2.pdf')

一键复制编辑原始数据按行查看历史

yanbridge 提交于 2020年10月07日 19:50 +08:00 . Add files via upload

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

import wooldridge as woo
import numpy as np
import statsmodels.formula.api as smf
import pandas as pd
import matplotlib.pyplot as plt

gpa2 = woo.dataWoo('gpa2')

# regress and report coefficients:
reg = smf.ols(formula='colgpa ~ sat', data=gpa2)
results = reg.fit()
print(f'beta_hat: \n{results.params}\n')

# regressor (SAT) values for prediction from 400 to 1600 in steps of 100:
SAT = pd.DataFrame({'sat': np.arange(400, 1600 + 1, 100)})

# predictions and 95% confidence intervals:
colgpa_pred = results.get_prediction(SAT)
colgpa_pred_CI = colgpa_pred.summary_frame(alpha=0.05)[['mean', 'mean_ci_lower', 'mean_ci_upper']]
print(f'colgpa_pred_CI: \n{colgpa_pred_CI}\n')

# plot:
plt.plot(SAT, colgpa_pred_CI['mean'], color='black', linestyle='-', label='')
plt.plot(SAT, colgpa_pred_CI['mean_ci_upper'], color='green', linestyle='--', label='upper CI')
plt.plot(SAT, colgpa_pred_CI['mean_ci_lower'], color='red', linestyle='--', label='lower CI')
plt.ylabel('colgpa')
plt.xlabel('sat')
plt.legend()
plt.savefig('PyGraphs/Confidence-Bands.pdf')

# quadratic model as an alternative:
reg2 = smf.ols(formula='colgpa ~ sat + I(sat**2)', data=gpa2)
results2 = reg2.fit()
colgpa_pred2 = results2.get_prediction(SAT)
colgpa_pred2_CI = colgpa_pred2.summary_frame(alpha=0.05)[['mean', 'mean_ci_lower', 'mean_ci_upper']]

# plot:
plt.plot(SAT, colgpa_pred2_CI['mean'], color='black', linestyle='-', label='')
plt.plot(SAT, colgpa_pred2_CI['mean_ci_upper'], color='green', linestyle='--', label='upper CI')
plt.plot(SAT, colgpa_pred2_CI['mean_ci_lower'], color='red', linestyle='--', label='lower CI')
plt.ylabel('colgpa')
plt.xlabel('sat')
plt.legend()
plt.savefig('PyGraphs/Confidence-Bands2.pdf')