python如何运用ols_使用OLS回归预测未来值(Python,StatsModels,Pandas)

I'm currently trying to implement a MLR in Python and am not sure how I go about applying the coefficients I've found to future values.

import pandas as pd

import statsmodels.formula.api as sm

import statsmodels.api as sm2

TV = [230.1, 44.5, 17.2, 151.5, 180.8]

Radio = [37.8,39.3,45.9,41.3,10.8]

Newspaper = [69.2,45.1,69.3,58.5,58.4]

Sales = [22.1, 10.4, 9.3, 18.5,12.9]

df = pd.DataFrame({'TV': TV,

'Radio': Radio,

'Newspaper': Newspaper,

'Sales': Sales})

Y = df.Sales

X = df[['TV','Radio','Newspaper']]

X = sm2.add_constant(X)

model = sm.OLS(Y, X).fit()

>>> model.params

const -0.141990

TV 0.070544

Radio 0.239617

Newspaper -0

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python使用OLS(Ordinary Least Squares)回归模型预测股票价格变动可以采取以下步骤: 首先,我们需要导入相关的Python库,包括pandas用于数据处理,statsmodels用于建立OLS模型。 接着,我们要准备用于建模的数据集,可以使用pandas读取股票价格数据,通常包括股票价格、交易量、市场指数等变量。 然后,我们需要进行数据预处理,包括去除缺失、处理异常、进行特征工程等。这一步骤是为了确保数据的质量和准确性。 接下来,我们使用建模数据集来建立OLS模型。我们可以使用statsmodels库中的OLS函数,将股票价格变量作为因变量,其他相关变量作为自变量。 训练模型后,我们可以通过模型系数来评估不同变量对股票价格的影响程度。例如,如果一个变量的系数为正且显著,那么我们可以认为该变量与股票价格正相关。 最后,我们可以使用训练好的OLS模型来预测股票价格的变动。通过输入新的自变量数据,模型可以给出相应的预测结果。注意,预测结果应谨慎解释,因为股票价格受到多种复杂因素的影响,无法完全由一个简单的线性模型来解释。 需要注意的是,OLS回归模型是一种简单的线性模型,对于具有非线性关系的股票价格变动来说,可能存在较大误差。因此,在实际应用中,我们需要考虑使用更复杂的模型或者结合其他技术手段来提高预测效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值