我在这里对熊猫很新,搜索但如果是或不可以找不到答案。
到目前为止,我能够像这样计算简单回归(Y= coef1 * A + coef2 * B)
的滚动系数:
model = pd.ols(y=df['Y'],x=df[['A','B']],window_type='rolling',window=100)
和model.beta返回coef1和coef2的DataFrame ..
在statsmodels中我可以进行多项式回归,但是没有滚动窗口选项:
poly_2 = smf.ols(formula='Y ~ 1 + A+ I(B** 2.0)', data=df).fit()
我怎么能'混合'2并且具有这个多项式回归的滚动系数? 我没有在熊猫中看到编写patsy式公式的方法,但也许我搜索得很糟糕。
感谢您的帮助
答案 0 :(得分:3)
如图所示的多项式回归只是普通的普通最小二乘回归,其中一个变量具有指数。使用smf.ols(我认为)唯一能获得的就是能够使用R-esque公式。就像那个I(B**2.0)
公式一样。但幸运的是,可以在没有smf的情况下构建相同的逻辑,然后可以使用Pandas ols。
让我们设置一些示例数据(在提出问题时总是一个很好的第一步,BTW):
n=500
df = pd.DataFrame(randn(n), index=pd.date_range('1/1/2000', periods=n))
df.columns = ['A']
df['B'] = randn(n)
df['Y'] = 5 + 3 * df.A + 6 * df.B **2 + randn(n)
因此,在此示例中,数据Y是A和B ^ 2的函数。所以我们可以做一个没有多项式的窗口OLS:
pd.ols(y=df['Y'],x=df[['A','B']],window_type='rolling',window=100)
-------------------------Summary of Regression Analysis-------------------------
Formula: Y ~ <A> + <B> + <intercept>
Number of Observations: 100
Number of Degrees of Freedom: 3
R-squared: 0.1184
Adj R-squared: 0.1003
Rmse: 9.6488
F-stat (2, 97): 6.5159, p-value: 0.0022
Degrees of Freedom: model 2, resid 97
-----------------------Summary of Estimated Coefficients------------------------
Variable Coef Std Err t-stat p-value CI 2.5% CI 97.5%
--------------------------------------------------------------------------------
A 3.8514 1.0675 3.61 0.0005 1.7592 5.9436
B 0.0693 0.9073 0.08 0.9393 -1.7091 1.8476
intercept 11.8889 0.9655 12.31 0.0000 9.9965 13.7813
---------------------------------End of Summary---------------------------------
但是如果你想要多项式,你只需创建一个多项式变量:
df['B2'] = df.B **2
然后你可以使用B2运行OLS:
pd.ols(y=df['Y'],x=df[['A','B2']],window_type='rolling',window=100)
-------------------------Summary of Regression Analysis-------------------------
Formula: Y ~ <A> + <B2> + <intercept>
Number of Observations: 100
Number of Degrees of Freedom: 3
R-squared: 0.9869
Adj R-squared: 0.9867
Rmse: 1.1748
F-stat (2, 97): 3662.8849, p-value: 0.0000
Degrees of Freedom: model 2, resid 97
-----------------------Summary of Estimated Coefficients------------------------
Variable Coef Std Err t-stat p-value CI 2.5% CI 97.5%
--------------------------------------------------------------------------------
A 2.8258 0.1304 21.67 0.0000 2.5702 3.0814
B2 6.0091 0.0748 80.29 0.0000 5.8624 6.1558
intercept 5.1074 0.1448 35.28 0.0000 4.8237 5.3911
---------------------------------End of Summary---------------------------------