• AA padronização das features com StandardScaler antes do ajuste do modelo OLS do statsmodels é indispensável para que os p-valores dos coeficientes sejam válidos, pois o statsmodels não lida com variáveis em escalas diferentes.
• BA criação da feature area_por_quarto deve ser feita preferencialmente com pandas.eval() para garantir que divisões por zero sejam automaticamente tratadas como NaN, evitando a necessidade de código adicional.
• CO uso do StandardScaler do scikit-learn antes do ajuste do modelo OLS do statsmodels altera a interpretação dos coeficientes estimados, mas não invalida os testes de hipóteses, desde que a padronização seja aplicada apenas às variáveis preditoras.
• DA visualização dos resíduos com Matplotlib deve ser feita plotando-se os resíduos contra os valores ajustados, e a presença de um padrão em forma de funil indica que a suposição de homocedasticidade está satisfeita.
• EO statsmodels.api.OLS exige que os dados de entrada sejam arrays NumPy, não aceitando DataFrames do pandas, o que torna necessário converter as colunas para arrays antes do ajuste.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.