statsmodel.formula.api python中的线性回归

Question

我正在使用statsmodels.formula.api进行线性回归。我使用了三个独立变量进行预测。在某些情况下，我会得到负值，但所有输出都应该是正值。

有没有办法告诉模型输出不能为负？

import statsmodels.formula.api as smf

output1 = smf.ols(formula= 'y ~A+B+C', data= data).fit()
output = output.predict(my_data)

Answer 1

模拟正或非负相关（或响应或输出）变量的一种标准方法是假设指数均值函数。

给定协变量的响应的期望值是E（y | x）= exp（x b）。

对此进行建模的一种方法是使用泊松回归，statsmodels Poisson或GLM与族Poisson。鉴于Poisson不是连续变量的正确似然，我们需要使用cov_type='HC0'调整错误指定的参数估计的协方差。那就是我们正在使用准最大似然。

output1 = smf.poisson(formula= 'y ~A+B+C', data= data).fit(cov_type='HC0')

和替代方法是记录响应变量，它隐含地假定对数正态模型。

http://blog.stata.com/2011/08/22/use-poisson-rather-than-regress-tell-a-friend/ https://stats.stackexchange.com/questions/8505/poisson-regression-vs-log-count-least-squares-regression

注意，statsmodels并不强制Poisson，Binomial，Logit等响应变量是整数，因此我们可以使用这些模型进行连续数据的准最大似然估计。

Answer 2

如果您尝试确保模型的输出值受限于某些范围，则线性回归可能不是一个合适的选择。听起来你可能想要逻辑回归或某种模型，其中输出落在已知范围内。确定您想要的模型类型可能是CrossValidated的问题。

话虽如此，您可以轻松地在事后约束您的预测 - 只需将所有否定预测设置为0.这是否有意义是一个不同的问题。