如何在Python回归模型中使用滞后时间序列变量？

我正在创建时间序列计量经济回归模型。数据存储在数据框中

如何使用Python进行滞后时间序列经济计量分析？我过去使用过Eviews（它是一个独立的计量经济学程序，即不是Python包）。要使用Eviews估计OLS方程，您可以编写如下内容：

equation eq1.ls log(usales) c log(usales(-1)) log(price(-1)) tv_spend radio_spend

注意滞后相关和滞后价格条款。正是这些滞后变量似乎很难使用Python处理，例如使用scikit或statmodels（除非我遗漏了什么）

一旦我创建了一个模型，我想执行测试并使用该模型进行预测

---

我对ARIMA、指数平滑或Holt Winters时间序列预测不感兴趣-我主要对时间序列OLS感兴趣。

pandas允许您在不移动索引的情况下移动数据

df.shift(-1)

将创建1个索引滞后

或

将产生1个指数的前向滞后

所以，如果您有一个每日时间序列，您可以使用df.shift（1）在您的价格值中创建一个1天的滞后

df['lagprice'] = df['price'].shift(1)

之后，如果您想执行OLS，可以在此处查看scipy模块：

---

谢谢-看起来不错。在评估模型之前，我是否需要创建所有滞后序列？或者有没有办法创建一个模型，在需要时计算滞后值？普通最小二乘回归通常不需要任何滞后。您应该刚刚超过X和Y值，以估计将误差降至最低的Beta。然后，您可以估计任何给定新X值的Y。如果你需要一个滞后的模型。我们通常在“自回归”模型中引入滞后值，其中Xt-1与Xt有关，但这将是一个不同的模型，但假设您想估计Xt-1和X之间的β，您可以使用scipy并传递df['price']。shift（1）作为X，df['price']作为Y，这将校准一个β，例如Xt=B*Xt-1Thanks，这很有帮助。顺便说一句，在许多计量经济时间序列模型中，使用了滞后变量（以及滞后依赖变量）。例如，一个价格术语可能会滞后。你救了我。真正地上帝保佑你。愿所有的祝福与你同在

df['lagprice'] = df['price'].shift(1)