多变量回归 statsmodels.api

Question

我查看了文档，但仍然无法弄清楚。我想运行具有多重回归的 WLS。statsmodels.api 作为 sm 导入单变量示例。X = Height Y = Weight res = sm.OLS(Y,X,).fit()  res.summary()说我也有：X2 = 年龄如何将其添加到我的回归中？

Answer 1

您可以将它们放入 data.frame 并调出列（这样输出看起来也更好）：

import statsmodels.api as sm

import pandas as pd

import numpy as np

Height = np.random.uniform(0,1,100)

Weight = np.random.uniform(0,1,100)

Age = np.random.uniform(0,30,100)

df = pd.DataFrame({'Height':Height,'Weight':Weight,'Age':Age})

res = sm.OLS(df['Height'],df[['Weight','Age']]).fit()

In [10]: res.summary()

Out[10]: 

<class 'statsmodels.iolib.summary.Summary'>

"""

                                 OLS Regression Results                                

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

Dep. Variable:                 Height   R-squared (uncentered):                   0.700

Model:                            OLS   Adj. R-squared (uncentered):              0.694

Method:                 Least Squares   F-statistic:                              114.3

Date:                Mon, 24 Aug 2020   Prob (F-statistic):                    2.43e-26

Time:                        15:54:30   Log-Likelihood:                         -28.374

No. Observations:                 100   AIC:                                      60.75

Df Residuals:                      98   BIC:                                      65.96

Df Model:                           2                                                  

Covariance Type:            nonrobust                                                  

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

                 coef    std err          t      P>|t|      [0.025      0.975]

------------------------------------------------------------------------------

Weight         0.1787      0.090      1.988      0.050       0.000       0.357

Age            0.0229      0.003      8.235      0.000       0.017       0.028

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

Omnibus:                        2.938   Durbin-Watson:                   1.813

Prob(Omnibus):                  0.230   Jarque-Bera (JB):                2.223

Skew:                          -0.211   Prob(JB):                        0.329

Kurtosis:                       2.404   Cond. No.                         49.7

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

Answer 2

我使用二阶多项式来预测身高和年龄如何影响士兵的体重。您可以在我的 GitHub 上获取 ansur_2_m.csv。

 df=pd.read_csv('ANSUR_2_M.csv', encoding = "ISO-8859-1",   usecols=['Weightlbs','Heightin','Age'],  dtype={'Weightlbs':np.integer,'Heightin':np.integer,'Age':np.integer})

 df=df.dropna()

 df.reset_index()

 df['Heightin2']=df['Heightin']**2

 df['Age2']=df['Age']**2

 formula="Weightlbs ~ Heightin+Heightin2+Age+Age2"

 model_ols = smf.ols(formula,data=df).fit()

 minHeight=df['Heightin'].min()

 maxHeight=df['Heightin'].max()

 avgAge = df['Age'].median()

 print(minHeight,maxHeight,avgAge)

 df2=pd.DataFrame()

 df2['Heightin']=np.linspace(60,100,50)

 df2['Heightin2']=df2['Heightin']**2

 df2['Age']=28

 df2['Age2']=df['Age']**2

 df3=pd.DataFrame()

 df3['Heightin']=np.linspace(60,100,50)

 df3['Heightin2']=df2['Heightin']**2

 df3['Age']=45

 df3['Age2']=df['Age']**2

 prediction28=model_ols.predict(df2)

 prediction45=model_ols.predict(df3)

 plt.clf()

 plt.plot(df2['Heightin'],prediction28,label="Age 28")

 plt.plot(df3['Heightin'],prediction45,label="Age 45")

 plt.ylabel="Weight lbs"

 plt.xlabel="Height in"

 plt.legend()

 plt.show()

 print('A 45 year old soldier is more probable to weight more than an 28 year old soldier')