[英]How to get the unscaled regression coefficients errors using statsmodels?
[英]how to get standardised (Beta) coefficients for multiple linear regression using statsmodels
使用 .summary .summary()
function 使用 pandas 统计模型时,OLS 回归结果包括以下字段。
coef std err t P>|t| [0.025 0.975]
我如何获得标准化系数(不包括截距),类似于 SPSS 中可实现的?
您只需要先使用 z 分布(即 z 分数)对原始 DataFrame 进行标准化,然后执行线性回归。
假设您将 dataframe 命名为df
,它具有自变量x1
、 x2
和x3
以及因变量y
。 考虑以下代码:
import pandas as pd
import numpy as np
from scipy import stats
import statsmodels.formula.api as smf
# standardizing dataframe
df_z = df.select_dtypes(include=[np.number]).dropna().apply(stats.zscore)
# fitting regression
formula = 'y ~ x1 + x2 + x3'
result = smf.ols(formula, data=df_z).fit()
# checking results
result.summary()
现在, coef
将向您显示标准化(beta)系数,以便您可以比较它们对因变量的影响。
笔记:
.dropna()
。 否则,如果列有任何缺失值, stats.zscore
将返回所有NaN
。.select_dtypes()
,但要确保您选择的所有列都是数字。result.params
只返回它。 它通常以科学记数法的方式显示。 您可以使用类似round(result.params, 5)
的东西来舍入它们。我们可以通过 exog 的标准偏差来转换估计的params
。 results.t_test(transformation) 计算线性变换变量的参数表。
AFAIR,以下应产生 beta 系数和相应的推论统计数据。
计算标准偏差,但将其设置为 1 作为常量。
std = model.exog.std(0)
std[0] = 1
然后使用 results.t_test 并查看 params_table。 np.diag(std)
创建一个对角矩阵来转换params
。
tt = results.t_test(np.diag(std))
print(tt.summary()
tt.summary_frame()
您可以通过采用标准偏差来转换非标准化系数。 标准化系数(Beta)是驱动分析的要求。 以下是对我有用的代码。 X 是自变量,y 是因变量,系数是 coef,由 (model.params) 从 ols 中提取。
sd_x = X.std()
sd_y = Y.std()
beta_coefficients = []
# Iterate through independent variables and calculate beta coefficients
for i, col in enumerate(X.columns):
beta = coefficients[i] * (sd_x[col] / sd_y)
beta_coefficients.append([col, beta])
# Print beta coefficients
for var, beta in beta_coefficients:
print(f' {var}: {beta}')
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.