（十四）用StatsModels模块建立线性回归模型

使用StatsModels中的api子模块，主要使用的函数有（注意大小写）：

• OLS：普通最小二乘法
• GLS：广义最小二乘法
• WLS：加权最小二乘法
• GLM：广义线性模型
• mixed：混合效应模型

以OLS为例，函数格式为OLS(endog,exdog)，参数分别表示因变量和自变量，其中自变量可以有多个，格式为X=data[[‘a’, ‘b’, ‘c’,…]]。以螺纹钢的期货和现货价格数据为样本，用简单OLS回归计算最优套保比率（期货收益率为x，现货收益率为y）：

import statsmodels.api as sm
import pandas as pd
LWG=pd.read_excel('C:/Users/lenovo/Desktop/螺纹钢期货+现货数据.xlsx')
LWG.head()
Out[1]:  
            日期  期货价格  现货价格   期货价格收益率   现货价格收益率
0   2016/01/04  1777  1920       NaN       NaN
1   2016/01/05  1789  1940  0.006730  0.010363
2   2016/01/06  1775  1940 -0.007856  0.000000
3   2016/01/07  1773  1930 -0.001127 -0.005168
4   2016/01/08  1759  1910 -0.007928 -0.010417
LWG=LWG.dropna()#删除缺失值
x=LWG.iloc[:,3]
y=LWG.iloc[:,4]
x_addc=sm.add_constant(x)#线性回归增加常数项y=kx+b
model=sm.OLS(y,x_addc).fit()
#OLS(y,x)；fit函数从模型获得拟合数据
model.summary()#输出线性回归的结果
Out[2]: 
<class 'statsmodels.iolib.summary.Summary'>
"""
                            OLS Regression Results                            
==============================================================================
Dep. Variable:                现货价格收益率   R-squared:                       0.267
Model:                            OLS   Adj. R-squared:                  0.267
Method:                 Least Squares   F-statistic:                     343.5
Date:                Wed, 22 Jan 2020   Prob (F-statistic):           1.31e-65
Time:                        13:16:27   Log-Likelihood:                 2902.4
No. Observations:                 943   AIC:                            -5801.
Df Residuals:                     941   BIC:                            -5791.
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const          0.0006      0.000      1.531      0.126      -0.000       0.001
期货价格收益率        0.3384      0.018     18.533      0.000       0.303       0.374
==============================================================================
Omnibus:                      592.523   Durbin-Watson:                   1.704
Prob(Omnibus):                  0.000   Jarque-Bera (JB):            30065.285
Skew:                           2.180   Prob(JB):                         0.00
Kurtosis:                      30.316   Cond. No.                         50.3
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
"""

可以看到套保比率为0.3384。接下来对回归模型进行可视化：

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus']=False
import matplotlib.pyplot as plt
plt.figure(figsize=(8,6))
plt.scatter(x,y,c='k',marker='o')
plt.plot(x,model.params[0]+model.params[1]*x,'r')#取出“model”中的两个参数
plt.xlabel('螺纹钢期货收益率')
plt.ylabel('螺纹钢现货收益率')
plt.title('螺纹钢期货与现货收益率的OLS回归')
plt.grid()

个人认为python在计量经济学模型的建立和处理上，操作比较繁琐，功能不够强大，使用eviews、stata等软件会更好一些。