Python 自变量指数和分位数回归

我想将分位数回归拟合到我的数据（时间序列）中，作为一些谐波的函数。这是为了平滑分位数的时间变化

简而言之，谐波是：

nu = 2*np.pi/tau
h1 = np.sin(1* nu * x)
h2 = np.cos(1* nu * x)
h3 = np.sin(2* nu * x)
h4 = np.cos(2* nu * x)

最简单的公式是：

modqr = smf.quantreg('y ~ h1+h2+h3+h4', data)

从这个

modqr

中，我将模型拟合为：

res = modqr.fit(q=0.8)

res

将有5个系数、一个截距和4个my谐波系数

但是，我需要y是非负的，所以一个简单的转换可以是：

modqr = smf.quantreg('y ~ np.exp(h1+h2+h3+h4)', data)

它是谐波和的指数函数

但是，如果我使用这个公式，结果将只有两个参数，一个用于截距，另一个用于术语

np.exp（h1+h2+h3+h4）

，它被视为唯一的自变量

问：有没有办法写出这个公式来欺骗量子计算谐波和的指数，因此仍然给我5个参数

---

我以为我可以通过自变量公式的转换，就像我在拟合泊松回归时通过

family=Poisson（）

kwargs一样，但我不确定如何通过。

不确定在数据空间拟合谐波是否是个好主意。典型的方法是在频域中进行FFT，并在频率1w、2w、3w等处寻找峰值，以获取此注释。这让我意识到我的问题可能不清楚，我会编辑它。它是时间的函数。x=时间。它本质上是用来简化季节循环的。不确定在数据空间中拟合谐波是个好主意。典型的方法是在频域中进行FFT，并在频率1w、2w、3w等处寻找峰值，以获取此注释。这让我意识到我的问题可能不清楚，我会编辑它。它是时间的函数。x=时间。它本质上是为了简化季节性周期。