基于Python回归模型的自相关性分析

提示：本文是回归模型的自相关性分析和如何解决这个问题

 

目录

一、自相关性检验方法

 方法一：画图检验法

1、残差图法

2、et和et-1图

方法二：DW检验法

二、解决方法

方法一：迭代法

方法二：差分法

总结：

---

一、自相关性检验方法

 方法一：画图检验法

1、残差图法

                      图一                                           图二

 图一所示，出现不断正负交替的残差图，我们认为是存在自相关性，而且为负的自相关性。图二所示，出现向上或者乡下开口类似的曲线形状的，我们就认为存在自相关性，而且为正的自相关性。一般情况下，是比较难通过残差图去直观的看出有没有自相关性，而是通过DW法去准确的判断。

2、et和et-1图

                    图一                                       图二

 这种方法就是画出残差Et为y轴和残差Et-1为x轴的二维平面图，然后观察图形的趋势，如果出现图一的，散点主要分布在第一和第三象限且呈现递增趋势的，就认为存在正相关性；图二散点主要分布在第二和第四象限且呈现递增趋势的，就认为存在负相关性；这种方法就比较直观的可以看出来数据呈现出自相关性。

方法二：DW检验法

这种方法就是最常用的方法，通过查表数据的对比就能直观看出自相关性。

构造DW统计量进行验证，如下：

然后推到便得到DW的最终式子，如下：

 

通过下面的表格就可以判断出是否具有自相关性：

	DW	自相关性
-1	4	完全负自相关性
（-1,0）	（2,4）	负自相关性
0	2	无自相关性
（0,1）	（0,2）	正自相关性
1	0	完全正自相关性

根据这两个值进行判断，代码如下：

#建模
result = smf.ols('y~x',data = df)
#DW检验
DW = sm.stats.durbin_watson(result.resid)
rho = 1-0.5*DW
print('DW值：',DW)
print('ρ的值：',rho)

或者可以根据数据的条数和因变量的个数（包含常数项）查表，确定dL和dU的值，然后再判断，如下表：

 

然后根据dL和dU，结合DW的值判断，通过下图：

二、解决方法

方法一：迭代法

直接上代码进行讲解

df = pd.read_csv("data.csv")

#迭代法解决自相关性
dfnew = (df-rho*df.shift(1)).dropna()  #迭代公式

resultnew = smf.ols('y~x',data=dfnew).fit() #重新建模

print(resultnew.summary()) # 打印出模型的结果

代码中的shift（1）是数据表中从第几行开始进行迭代，一般格式为shift(n)，这里的n是数据从第几条开始迭代，注意Python是从0开始计数的。dropna() 函数主要用于过滤去除缺失数据的列或者行，因为我们是从第二条数据开始迭代的，第一条数据就会变为空，就直接赋予空值，不再计算。

方法二：差分法

df = pd.read_csv("data.csv")
#差分法解决自相关性
dfnew2 = (df-df.shift(1)).dropna()

print(dfnew2)

resultnew2 = smf.ols('y~x-1',data=dfnew2).fit() 

print(resultnew2.summary())

注意差分法的使用，它是不需要截距项的。这里使用的函数是相同的，可看前面的讲解。

 

总结：

 以上就是本文的内容了，有错误的地方和疑问在评论区交流交流，一起学习和进步。