Question

Here我问过如何在线性模型中计算AIC。如果我用LinearRegression()方法替换linear_model.OLS方法来获得AIC，那么我如何计算OLS线性模型的斜率和截距？

import statsmodels.formula.api as smf
regr = smf.OLS(y, X, hasconst=True).fit()

Answer 1

在您的示例中，您可以使用params的{{1}}属性，该属性将显示系数和截距。关键是您首先需要向X数据添加regr s的列向量。为什么？截距项在技术上只是列向量为1s 的系数。也就是说，截距只是一个系数，当乘以X“项”1.0时，它会产生自身。将此值添加到其他系数和要素的总和时，可以获得nx1预测值数组。

以下是一个例子。

1.0

现在实际运行回归并且除了你现在拥有的系数之外，获得系数只需要1行。

# Pull some data to use in the regression from pandas_datareader.data import DataReader import statsmodels.api as sm syms = {'TWEXBMTH' : 'usd', 'T10Y2YM' : 'term_spread', 'PCOPPUSDM' : 'copper' } data = (DataReader(syms.keys(), 'fred', start='2000-01-01') .pct_change() .dropna()) data = data.rename(columns = syms) # Here's where we assign a column of 1.0s to the X data # This is required by statsmodels # You can check that the resulting coefficients are correct by exporting # to Excel with data.to_clipboard() and running Data Analysis > Regression there data = data.assign(intercept = 1.)

关于AIC上的问题，在致电y = data.usd X = data.loc[:, 'term_spread':] regr = sm.OLS(y, X, hasconst=True).fit() print(regr.params) term_spread -0.00065 copper -0.09483 intercept 0.00105 dtype: float64之前，您还需要确保X数据也有常量。

注意：当您致电.fit时，您可以创建回归结果包装，并可以访问任何属性列表here。

Answer 2

对于在scikit-learn中搜索如何获得LinearRegression的斜率和截距的任何人：它有coef_ and intercept_ properties来表示这一点。

(x, y) = np.random.randn(10,2).T
from sklearn import linear_model
lr = linear_model.LinearRegression()
lr.fit(x.reshape(len(x), 1), y)
lr.coef_ # array([ 0.29387004])
lr.intercept_ # -0.17378418547919167

我们如何计算statsmodels OLS中的拦截和斜率？

2 个答案: