python稳健回归_statsmodel线性回归（ols）的稳健性问题-Python

我用统计模型测试了一些基本的类别回归：

我建立了一个确定性模型Y = X + Z

其中X可以取3个值(a、b或c)，Z只能取2(d或e)。

在那个阶段，模型是完全确定的，我为每个变量设置了如下的权重a's weight=1

b's weight=2

c's weight=3

d's weight=1

e's weight=2

因此，当1(X=a)为1时，如果X=a，则为0，否则，模型为：Y = 1(X=a) + 2*1(X=b) + 3*1(X=c) + 1(Z=d) + 2*1(Z=e)

使用以下代码，生成不同的变量并运行回归from statsmodels.formula.api import ols

nbData = 1000

rand1 = np.random.uniform(size=nbData)

rand2 = np.random.uniform(size=nbData)

a = 1 * (rand1 <= (1.0/3.0))

b = 1 * (((1.0/3.0)< rand1) & (rand1< (4/5.0)))

c = 1-b-a

d = 1 * (rand2 <= (3.0/5.0))

e = 1-d

weigths = [1,2,3,1,2]

y = a+2*b+3*c+4*d+5*e

df = pd.DataFrame({'y':y, 'a':a, 'b':b, 'c':c, 'd':d, 'e':e})

mod = ols(formula='y ~ a + b + c + d + e - 1', data=df)

res = mod.fit()

print(res.summary())

我最终得到了正确的结果(人们必须关注coef之间的差异，而不是coef本身)OLS Regression Results

=================