时间戳

首页 > 解决方案 > 如何进行线性回归并获得标准偏差（Python）

python - 如何进行线性回归并获得标准偏差（Python）

问题描述

我有这个非常简单的问题，但不知何故我还没有找到解决方案：

我有两条曲线，A1 = [1,2,3] A2 = [4,5,6]

我想用线性回归将这些曲线拟合到另一条曲线 B1 = [4,5,3] 所以 B1 = a A1 + b A2

这可以通过 sklearn LinearRegression 轻松完成 - 但 sklearn 不会为您提供拟合参数的标准偏差。

我尝试使用 statsmodels ......但不知何故我无法获得正确的格式

import numpy as np

import statsmodels.api as sm

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([4, 5, 3])

ols = sm.OLS(a, b)

错误：ValueError：endog 和 exog 矩阵的大小不同

标签： pythonnumpystatsmodels

解决方案

如果你的公式是B1 = aA1 + bA2，那么数组 b 是你的内生的，而数组 a 是你的外生的。你需要转置你的外生：

ols = sm.OLS(b, a.T)
res = ols.fit()
res.summary()

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                      y   R-squared:                       0.250
Model:                            OLS   Adj. R-squared:                 -0.500
Method:                 Least Squares   F-statistic:                    0.3333
Date:                Sat, 14 Aug 2021   Prob (F-statistic):              0.667
Time:                        05:48:08   Log-Likelihood:                -3.2171
No. Observations:                   3   AIC:                             10.43
Df Residuals:                       1   BIC:                             8.631
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
x1            -2.1667      1.462     -1.481      0.378     -20.749      16.416
x2             1.6667      0.624      2.673      0.228      -6.257       9.590
==============================================================================
Omnibus:                          nan   Durbin-Watson:                   3.000
Prob(Omnibus):                    nan   Jarque-Bera (JB):                0.531
Skew:                           0.707   Prob(JB):                        0.767
Kurtosis:                       1.500   Cond. No.                         12.3
==============================================================================

来自 sklearn：

from sklearn.linear_model import LinearRegression
reg = LinearRegression(fit_intercept=False).fit(a.T,b)
reg.coef_
array([-2.16666667,  1.66666667])

推荐阅读