多项式回归就是一个平凡的普通最小二乘回归,其中一个变量具有指数。使用smf.ols(我认为)唯一获得的好处就是能够使用类似于R的公式,例如I(B**2.0)
公式。但幸运的是,可以在没有smf的情况下构建相同的逻辑,然后可以使用Pandas ols。
让我们设置一些示例数据(提问时的一个很好的第一步):
n=500
df = pd.DataFrame(randn(n), index=pd.date_range('1/1/2000', periods=n))
df.columns = ['A']
df['B'] = randn(n)
df['Y'] = 5 + 3 * df.A + 6 * df.B **2 + randn(n)
在这个例子中,数据Y是A和B^2的函数。因此,我们可以使用没有多项式的滑动OLS:
pd.ols(y=df['Y'],x=df[['A','B']],window_type='rolling',window=100)
-------------------------Summary of Regression Analysis-------------------------
Formula: Y ~ <A> + <B> + <intercept>
Number of Observations: 100
Number of Degrees of Freedom: 3
R-squared: 0.1184
Adj R-squared: 0.1003
Rmse: 9.6488
F-stat (2, 97): 6.5159, p-value: 0.0022
Degrees of Freedom: model 2, resid 97
-----------------------Summary of Estimated Coefficients------------------------
Variable Coef Std Err t-stat p-value CI 2.5
--------------------------------------------------------------------------------
A 3.8514 1.0675 3.61 0.0005 1.7592 5.9436
B 0.0693 0.9073 0.08 0.9393 -1.7091 1.8476
intercept 11.8889 0.9655 12.31 0.0000 9.9965 13.7813
---------------------------------End of Summary---------------------------------
但如果你需要多项式,只需创建一个变量即可代表多项式:
df['B2'] = df.B **2
然后您可以使用B2运行OLS:
pd.ols(y=df['Y'],x=df[['A','B2']],window_type='rolling',window=100)
-------------------------Summary of Regression Analysis-------------------------
Formula: Y ~ <A> + <B2> + <intercept>
Number of Observations: 100
Number of Degrees of Freedom: 3
R-squared: 0.9869
Adj R-squared: 0.9867
Rmse: 1.1748
F-stat (2, 97): 3662.8849, p-value: 0.0000
Degrees of Freedom: model 2, resid 97
-----------------------Summary of Estimated Coefficients------------------------
Variable Coef Std Err t-stat p-value CI 2.5
--------------------------------------------------------------------------------
A 2.8258 0.1304 21.67 0.0000 2.5702 3.0814
B2 6.0091 0.0748 80.29 0.0000 5.8624 6.1558
intercept 5.1074 0.1448 35.28 0.0000 4.8237 5.3911
---------------------------------End of Summary---------------------------------