本文共 965 字，大约阅读时间需要 3 分钟。

statsmodels 回归模型入门指南

statsmodels 是一个强大的 Python 库，专注于统计建模和数据分析。它为用户提供了丰富的回归模型功能，适用于从简单线性回归到复杂的多元回归分析。

模型概述

statsmodels 中的回归模型通常涉及两个核心矩阵：

• Endogenous Variables（因变量）：对应模型的响应或依赖变量（dependent, response, regressand）。
• Exogenous Variables（自变量）：对应模型的预测变量或解释变量（independent, predictor, regressor）。

例如，使用普通最小二乘法（OLS）模型拟合：

mod = sm.OLS(y, X)res = mod.fit()res.summary()  # 查看模型总结

模型拟合步骤

OLS 模型

OLS 是最常用的回归模型方法，假设误差项独立且均值为零。模型公式为：[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \epsilon ]

参数估计方法：

import pandas as pdx = pd.Series(...)  # 基准收益X = sm.add_constant(x)  # 添加常数项y = pd.Series(...)  # portfolio 收益res = sm.OLS(y, X).fit()alpha, beta = res.params()

• Alpha：表示主动投资策略的收益。
• Beta：表示通过被动指数投资获得的收益。

R-squared（决定系数）

R-squared（R²）衡量模型解释因变量变异性的能力。其计算公式为：[ R^2 = 1 - \frac{\sigma^2}{\sigma^2 + \sum_{i=1}^k \sum_{j=1}^n (x_j - \bar{x})(y_i - \bar{y})} ]

高 R-squared 值表示模型预测能力强，数据拟合度好。

参考资料

• statsmodels 官方文档
• 《Python机器学习》

转载地址：http://gdge.baihongyu.com/