[英]How to get the “in-sample” predicted values (y hat) in statsmodel ols?
[英]How to check the p values of parameters in OLS
在进行线性回归时,例如y=a*x+b
,摘要为我提供了参数是否等于零的p值,如果我想查看参数a
是否等于2的p值怎么办?或不同于零的东西?
我希望OLS摘要为我提供a
是否不同于2的p值。
结果类具有用于假设检验的方法。 它们大多数基于Wald检验,即我们估计完整模型并测试限制是否与数据一致。
例如,参见t_test
,它针对简单的假设进行了矢量化处理,并生成了类似于回归摘要中的摘要表。 http://www.statsmodels.org/devel/generation/statsmodels.regression.linear_model.RegressionResults.t_test.html包含此示例
>>> results = ols(formula, dta).fit()
>>> hypotheses = 'GNPDEFL = GNP, UNEMP = 2, YEAR/1829 = 1'
>>> t_test = results.t_test(hypotheses)
假设检验还有其他几种方法:
wald_test
适用于单个联合假设。
wald_test_terms
测试每个术语是否具有等于零的所有参数(例如,对于分类回归变量)和
t_test_pairwise
为分类回归变量的每对级别计算t_test。
我的评论解释道:
这是OLS结果的示例(数据是人工的):
OLS Regression Results
==============================================================================
Dep. Variable: y R-squared: 0.161
Model: OLS Adj. R-squared: -0.007
Method: Least Squares F-statistic: 0.9608
Date: Mon, 08 Apr 2019 Prob (F-statistic): 0.372
Time: 11:14:10 Log-Likelihood: -10.854
No. Observations: 7 AIC: 25.71
Df Residuals: 5 BIC: 25.60
Df Model: 1
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 2.1429 1.141 1.879 0.119 -0.789 5.075
x1 0.2500 0.255 0.980 0.372 -0.406 0.906
==============================================================================
Omnibus: nan Durbin-Watson: 1.743
Prob(Omnibus): nan Jarque-Bera (JB): 0.482
Skew: 0.206 Prob(JB): 0.786
Kurtosis: 1.782 Cond. No. 10.4
==============================================================================
因此,对于参数x1,我们的系数为0.25,STD为0.255。
x1的p值= 1:
>>> from scipy.stats import norm
>>> 2*(1 - norm.cdf(abs(1-0.25), scale=0.255))
0.00326968201269362
p值对应于观察的此值的概率a
在零假设下(通常是0,因为这是这种情况时,有没有协变量的效果x
对结果y
)。
这是在线性回归的假设下进行的,该假设尤其指出a
服从正态分布。 因此,如果您真的想将零假设更改为a=2
则只需将a_ = a - 2
转换a
现在,当a=2
,按照通常的假设, a_
将为0。
因此,您可以通过求解y+2x = a_*x + b
来实现此目标,并且对于偶然发生a=2
的概率,您将具有p值。 正如我所说,尽管这是一个相当不寻常的测试...
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.