Python：如何針對統計模型HuberT線性回歸按時間加權數據？

Question

我正在使用statsmodel，這是我用來生成多線性回歸的代碼：

def regression():
    Data = pd.read_csv("CSV_file")
    DependentVariable = Data[["Variable1"]].values.tolist()
    IndependentVariables = Data[["Variable2","Variable3","Variable4"]].values.tolist()

    huber_t = sm.RLM(DependentVariable, IndependentVariables, M=sm.robust.norms.HuberT())

    hub_results = huber_t.fit()
    return hub_results.summary()

這給出了正常的輸出。 但是，我還想對數據加權，以使最新數據比舊數據更重要。 我正在考慮使用某種指數衰減來計算權重。 在計算線性回歸時，是否有任何方法可以將此權重考慮在內？

Answer 1

此頁面上有一個使用指數衰減進行縮放的示例，但我不確定是否可以使用相同的技術（也許它僅適用於繪圖，但您可以嘗試縮放自己的變量） http ：//blog.yhat.com/posts/predicting-the-presidential-election.html

weight <- function(i) {
  exp(1)*1 / exp(i)
}

w <- data.frame(poll=1:8, weight=weight(1:8))
ggplot(w, aes(x=poll, weight=weight)) +
  geom_bar() +
  scale_x_continuous("nth poll", breaks=1:8) +
  scale_y_continuous("weight")

或者，您可以使用numpy並按此處提供的答案生成指數衰減的級數：

熊貓：可變權重的指數衰減總和

Answer 2

目前無法使用這種重量。

請參閱statsmodels-魯棒線性回歸中的權重以獲取相關答案。

因為HuberT在較小的殘差處局部為平方，所以按該答案中的權重對數據進行重新縮放可以作為近似值。 但是，這並不等同於每次觀察對目標函數的貢獻增加權重。