如何训练多重回归 Model 并在 Python 中获取估计结果？

Question

我有一个 dataframe。 该数据集包含我公司的数据和我的竞争对手的知识。 它看起来像：

Date         a_mine   b_mine  a_comp  b_comp  c_mine  c_comp   
1.01.2020    17.328   6.736   10.592  66.836  3.15    3.15
1.02.2020    16.680   6.522   10.158  64.097  3.46    3.45
1.03.2020    13.616   5.334   8.282   58.554  3.76    3.75
1.04.2020    8.351    3.075   5.276   37.301  3.76    3.75
1.05.2020    13.610   5.837   7.773   54.955  3.76    3.76
1.06.2020    14.361   5.875   8.486   59.996  3.79    3.80


a_mine: Net sales of my company
a_comp: Net sales of competitors
b_mine: bonus sales of my company
b_comp: bonus sales of competitors
c_mine: unit price of my product
c_comp: unit price of competitors product

我想找到奖金对净销售额的影响，最后，我想创建一个这样的结果表（示例结果）：

Component  Parameter  Estimate  Standart_error  t_value  Approx Pr>|t|
a_mine     constant   485052.1  22517.1         21.58    < 0001
b_mine     scale      1.15365   0.12745         9.07     < 0001

我试图用多元线性回归训练我的 model。 但我不能为此成功。

如何训练我的 model 并在 python 中获得此结果？

Answer 1

您始终可以使用statsmodels的OLS回归，它有一个.summary()方法可以返回您需要的表：

Y = df.a_mine
X = df[["b_mine", "c_mine"]]

model = sm.OLS(Y, X)
results = model.fit()

results.summary()