1

我正在使用 statsmodels.api 进行多变量回归

model = sm.regression.linear_model.OLS(dependent, X)
results = model.fit()
summary = results.summary()

其中dependent 是长度为 n 的向量，X 是维度 mxn 的矩阵，其中 m 是因子的数量。

X 的每个分量都是一个行向量，其第一个条目是数据标签，接下来的 n 个条目是数据本身：

["revenue", 123,456,789.........514]

打印摘要给出：

                           OLS Regression Results                            
==============================================================================
Dep. Variable:                      y   R-squared:                       0.993
Model:                            OLS   Adj. R-squared:                  0.987
Method:                 Least Squares   F-statistic:                     159.7
Date:                Fri, 25 Oct 2013   Prob (F-statistic):           1.99e-31
Time:                        12:14:19   Log-Likelihood:                -730.93
No. Observations:                  71   AIC:                             1530.
Df Residuals:                      37   BIC:                             1607.
Df Model:                          34                                         
==============================================================================
                 coef    std err          t      P>|t|      [95.0% Conf. Int.]
------------------------------------------------------------------------------
const        699.6533    421.414      1.660      0.105      -154.212  1553.519
x1           131.5725    266.202      0.494      0.624      -407.803   670.948
x2         -5186.9570   1.04e+04     -0.499      0.621     -2.63e+04  1.59e+04
x3          2.897e+04   1.51e+04      1.925      0.062     -1525.292  5.95e+04
x4             0.7279      0.373      1.950      0.059        -0.029     1.484
x5         -2.794e+05   4.41e+05     -0.634      0.530     -1.17e+06  6.14e+05
x6         -2500.4833   1533.499     -1.631      0.111     -5607.647   606.680
x7          2.202e+04   1.71e+04      1.290      0.205     -1.26e+04  5.66e+04
x8             5.9603      2.597      2.296      0.027         0.699    11.221
x9          -1.41e+07   1.04e+07     -1.354      0.184     -3.52e+07  7.01e+06
x10           -0.3980      0.561     -0.710      0.482        -1.534     0.738
x11         8.862e+04    8.4e+04      1.055      0.298     -8.16e+04  2.59e+05
x12         6.851e+04   4.81e+04      1.426      0.162     -2.89e+04  1.66e+05
x13         1.189e+08   7.23e+07      1.645      0.108     -2.75e+07  2.65e+08
x14         -531.5723    688.333     -0.772      0.445     -1926.268   863.123
x15          290.7228   9702.296      0.030      0.976     -1.94e+04  1.99e+04
x16        -4316.1159   1235.718     -3.493      0.001     -6819.919 -1812.313
x17           -1.0480     18.339     -0.057      0.955       -38.206    36.110
x18            0.4967      1.108      0.448      0.657        -1.749     2.743
x19         -512.3132    680.352     -0.753      0.456     -1890.838   866.211
x20        -6.174e+05   4.15e+05     -1.489      0.145     -1.46e+06  2.23e+05
x21          -20.1921      9.588     -2.106      0.042       -39.620    -0.764
x22        -1109.1907    868.787     -1.277      0.210     -2869.520   651.139
x23        -3.275e-05   1.74e-05     -1.888      0.067     -6.79e-05  2.41e-06
x24        -3.046e+04   1.87e+04     -1.630      0.112     -6.83e+04  7396.892
x25        -8255.2473   4228.299     -1.952      0.058     -1.68e+04   312.100
x26           -0.4144      0.165     -2.515      0.016        -0.748    -0.081
x27        -3.779e+07   2.33e+07     -1.622      0.113      -8.5e+07  9.43e+06
x28         -672.3038   9934.991     -0.068      0.946     -2.08e+04  1.95e+04
x29         1.271e+05   4.71e+04      2.696      0.010      3.16e+04  2.23e+05
x30           11.2359      5.247      2.141      0.039         0.604    21.868
x31         -2.58e+05   8.63e+05     -0.299      0.767     -2.01e+06  1.49e+06
x32        -5.362e+04   2.66e+04     -2.014      0.051     -1.08e+05   318.991
x33           11.7349      6.720      1.746      0.089        -1.880    25.350
x34         -1.71e+06   1.25e+07     -0.137      0.892     -2.71e+07  2.37e+07
x35           -7.6490      8.019     -0.954      0.346       -23.897     8.600
x36          291.4046    178.169      1.636      0.110       -69.601   652.410
x37          510.0672    318.445      1.602      0.118      -135.164  1155.298
==============================================================================
Omnibus:                        3.382   Durbin-Watson:                   1.864
Prob(Omnibus):                  0.184   Jarque-Bera (JB):                2.615
Skew:                          -0.441   Prob(JB):                        0.271
Kurtosis:                       3.324   Cond. No.                          nan
==============================================================================

print results.params 给出：

[  6.99653265e+02   1.31572465e+02  -5.18695704e+03   2.89725201e+04
   7.27866154e-01  -2.79412892e+05  -2.50048329e+03   2.20188260e+04
   5.96032414e+00  -1.40983228e+07  -3.98040736e-01   8.86220943e+04
   6.85055661e+04   1.18927196e+08  -5.31572322e+02   2.90722839e+02
  -4.31611590e+03  -1.04803807e+00   4.96741935e-01  -5.12313204e+02
  -6.17414913e+05  -2.01921161e+01  -1.10919070e+03  -3.27489243e-05
  -3.04625838e+04  -8.25524731e+03  -4.14444321e-01  -3.77917370e+07
  -6.72303755e+02   1.27068811e+05   1.12359266e+01  -2.57978901e+05
  -5.36154172e+04   1.17349174e+01  -1.71045966e+06  -7.64895526e+00
   2.91404563e+02   5.10067167e+02]

其中第一个条目 699.6533 是对应于常数项等的系数，一直到 x37。

我的问题是 const 项在摘要中的位置可以在不同的位置（不一定是第一个位置）。而且我需要一种方法来a）用向量上第一个位置的标签标记每个因子或b）始终识别摘要中的哪个条目（以及因此在参数中）对应于const术语的方法。

我想在不使用像熊猫这样的额外包的情况下做到这一点。

请帮忙。

谢谢！

4

3 回答 3

3

您可以覆盖模型或摘要参数的默认名称：

model.data.xnames = my_xnames

或者

results.summary(xname=my_xnames)

在纯 numpy 版本中使用模型时，会使用默认模式创建变量的名称。还检查解释变量数组 X 是否存在常数。我认为这应该将默认名称设置为const摘要中的正确行，但是在检测常量和创建参数名称之间可能缺少连接。

更新

默认名称创建检查是否存在方差为零的列并分配“const”标签

def _make_exog_names(exog):
    exog_var = exog.var(0)
    if (exog_var == 0).any():
        # assumes one constant in first or last position
        # avoid exception if more than one constant
        const_idx = exog_var.argmin()
        exog_names = ['x%d' % i for i in range(1,exog.shape[1])]
        exog_names.insert(const_idx, 'const')

此名称创建独立于 const_idx 属性，没有建立连接。

如果您有一个示例无法正确识别常量的位置，那么您应该在 github 上打开 statsmodels 的问题。

更改名称没有很好的设置方法，但model.data.xnames对我有用

>>> res_olsg.model.exog_names
['x1', 'x2', 'const']
>>> res_olsg.model.data.xnames
['x1', 'x2', 'const']

更改 xnames

>>> res_olsg.model.data.xnames = ['x1', 'x2', 'not a const']
>>> res_olsg.model.exog_names
['x1', 'x2', 'not a const']

exog_names 是只读的

>>> res_olsg.model.exog_names= ['x1', 'x2', 'x3']
Traceback (most recent call last):
  File "<pyshell#12>", line 1, in <module>
    res_olsg.model.exog_names= ['x1', 'x2', 'x3']
AttributeError: can't set attribute


>>> print res_olsg.summary()
                            OLS Regression Results                            
...                                     
===============================================================================
                  coef    std err          t      P>|t|      [95.0% Conf. Int.]
-------------------------------------------------------------------------------
x1              4.3742      0.215     20.374      0.000         3.951     4.798
x2             -0.6140      0.285     -2.157      0.032        -1.175    -0.053
not a const    -9.4817      1.068     -8.874      0.000       -11.589    -7.375
==============================================================================
...
于 2013-10-25T13:44:28.803 回答
1

您可以在

results.model.data.const_idx

如果你确实使用熊猫，那么你可以这样做

results.params['const']

但没有它，你将不得不依靠

results.params[results.model.data.const_idx]
于 2013-10-25T13:44:06.787 回答
0

知道了：

def const_i():
    x = m.model.data.xnames
    for i in x:
        if i == "const":
            return x.index(i)

返回 results.params() 中常数项的索引

于 2013-10-28T20:50:30.307 回答