时序分析专题2：OLS线性回归模型

最新推荐文章于 2024-07-14 09:19:56 发布

潘大师爱好者

最新推荐文章于 2024-07-14 09:19:56 发布

阅读量7.5k

点赞数 1

分类专栏：统计分析文章标签：线性回归算法回归

本文链接：https://blog.csdn.net/mhmh123789/article/details/132446500

版权

统计分析专栏收录该内容

13 篇文章

订阅专栏

1. 模型介绍

线性回归是比较常见，也比较基础的时序分析模型。模型的公式如下：

2. 模型案例演示

2.1 一元线性回归

首先，先构造出简单的模拟数据，并做出相应的散点图：

import random
import matplotlib.pyplot as plt

x = [x + 1 for x in range(100)]
y = [3 * a + random.uniform(0, 10) for a in x]

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.scatter(x,y)
plt.xlabel('x')
plt.ylabel('y')

plt.show()

使用两种方式，第一种更偏向于图片结果，第二种更偏向于数据结果。

图片结果使用 statsmodels模块，代码如下：

import statsmodels.api as sm
import pandas as pd
import random
import matplotlib.pyplot as plt

x = [x + 1 for x in range(100)]
y = [3 * a + random.uniform(0, 10) for a in x]
# 输出结果为图片
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.scatter(x,y)
plt.xlabel('x')
plt.ylabel('y')

plt.show()
m = sm.add_constant(x)
model = sm.OLS(y, m).fit()
print(model.summary())

得到的结果如下：

R_squared表示的可决系数，代表模型整体的拟合效果，一般位于0.7以上说明模型具有较好的可信度。cofe代表模型参数的估计值，const表示常数即截距项的值；p值小于0.05表示参数估计显著，通过统计学上的检验。

数据结果使用sklearn模块，代码如下：

from sklearn.linear_model import LinearRegression
import numpy as np
def get_result(data_x, data_y):
    '''
    获取线性回归的结果
    ----------
    data_x:ndarray, 自变量矩阵
    data_y:ndarray, 因变量矩阵
    Returns: DataFrame
    -------
    '''
    model = LinearRegression()
    new_model = model.fit(data_x, data_y)
    beta1 = new_model.coef_[0][0]
    alpha = new_model.intercept_[0]
    R = model.score(data_x, data_y)
    out_df = pd.DataFrame({'beta1': [round(beta1, 4)],
                           'alpha': [round(alpha, 4)], 'R^2': [round(R, 4)]})
    return out_df


# 需要将数据转换为矩阵
X = np.array(x).reshape(-1, 1)
Y = np.array(y).reshape(-1, 1)

res = get_result(X, Y)

得到的结果为：

可以看到，两重办法得到的结果是一致的；第一种适用于分析说明，第二种适用于批量处理。

根据得到的结果比对和实际值之间的差异，作出对应的比对图：

import random
import matplotlib.pyplot as plt

x = [x + 1 for x in range(100)]
y = [3 * a + random.uniform(0, 10) for a in x]
y1 = [2.9962* a + 5.0122 for a in x]
# 输出结果为图片
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.scatter(x,y,label = '实际值')
plt.plot(x,y1,label = '回归曲线')

plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc='best')

plt.show()

2.2 多元线性回归

多元线性回归只需要添加相应的变量即可，此处仅对图片版的结果进行演示。


import statsmodels.api as sm
import pandas as pd

import random

x1 = [x + 1 for x in range(100)]
x2 = [x ** 2-x for x in range(100)]
# 构建一个表格
df = pd.DataFrame({'x1': x1, 'x2': x2})
df['y'] = df['x1'] + 0.5 * df['x2'] + random.uniform(0, 1000)
m = sm.add_constant(df.loc[:, ['x1', 'x2']])
model = sm.OLS(df['y'], m).fit()
print(model.summary())

结果如下：

本期分享结束，有何问题随时交流。