Python：循环一个简单OLS的变量

我希望用Python构建一个函数，用以下等式创建一个简单的OLS回归：

 Y_i - Y_i-1 = A + B(X_i - X_i-1) + E

换句话说，Y_滞后=α+β（X_滞后）+误差项

目前，我有以下数据集（这是一个简短的版本）

注：Y=历史利率

df = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), columns=['Historic_Rate', 'Overnight', '1M', '3M', '6M'])

因此，我试图构建的是，我迭代地获取一个X变量，并将其放入一个简单的线性回归中，我迄今为止构建的代码如下所示：

#Start the iteration process for the regression to in turn fit 1 parameter

#Import required packages 

import pandas as pd
import numpy as np
import statsmodels.formula.api as sm

#Import dataset

df = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), columns=['Historic_Rate', 'Overnight', '1M', '3M', '6M'])
#Y_Lag is always 1 time period only

df['Y_Lag'] = df['Historic_Rate'].shift(1)

#Begin the process with 1 lag, taking one x variable in turn

array = df[0:0]
array.drop(array.columns[[0,5]], axis=1, inplace=True)
for X in array:
    df['X_Lag'] = df['X'].shift(1)
    Model = df[df.columns[4:5]]
    Y = Model['Y_Lag']
    X = Model['X_Lag']

    Reg_model = sm.OLS(Y,X).fit()
    predictions = model.predict(X) 
    # make the predictions by the model

    # Print out the statistics
    model.summary()

所以，从本质上说，我希望创建一个列标题列表，它将系统地遍历我的循环，每个变量都会滞后，然后根据滞后的Y变量进行回归

---

我还希望了解如何输出模型.X，其中X是数组的第X次迭代，用于变量的动态命名。

您很接近，我认为您只是将变量

X

与循环中的字符串

'X'

混淆了。我还认为，你不是在计算

yi-yi-1

，而是在对

yi-1

进行回归

下面是如何循环回归的。我们还将使用字典来存储回归结果，其中键作为列名

import pandas as pd
import numpy as np
import statsmodels.api as sm

df = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), 
                  columns=['Historic_Rate', 'Overnight', '1M', '3M', '6M'])

fit_d = {}  # This will hold all of the fit results and summaries
for col in [x for x in df.columns if x != 'Historic_Rate']:
    Y = df['Historic_Rate'] - df['Historic_Rate'].shift(1)
    # Need to remove the NaN for fit
    Y = Y[Y.notnull()]

    X = df[col] - df[col].shift(1)
    X = X[X.notnull()]

    X = sm.add_constant(X)  # Add a constant to the fit

    fit_d[col] = sm.OLS(Y,X).fit()

现在如果你想做一些预测，比如说你的上一个模型，你可以做：

fit_d['6M'].predict(sm.add_constant(df['6M']-df['6M'].shift(1)))
#0    NaN
#1    0.5
#2   -2.0
#3   -1.0
#4   -0.5
#dtype: float64

您可以获得摘要：

fit_d['6M'].summary（）

---

我的巨大疏忽，我甚至没有意识到我没有接受差异，这看起来很全面，谢谢你！另外，请不要忘记，您需要在

statsmodels

中手动添加一个常量到fit中。谢谢，这非常有效，我期待着与其他更基本的语言一样熟悉语法

                            OLS Regression Results                            
==============================================================================
Dep. Variable:          Historic_Rate   R-squared:                       0.101
Model:                            OLS   Adj. R-squared:                 -0.348
Method:                 Least Squares   F-statistic:                    0.2254
Date:                Thu, 27 Sep 2018   Prob (F-statistic):              0.682
Time:                        11:27:33   Log-Likelihood:                -9.6826
No. Observations:                   4   AIC:                             23.37
Df Residuals:                       2   BIC:                             22.14
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const         -0.4332      1.931     -0.224      0.843      -8.740       7.873
6M            -0.2674      0.563     -0.475      0.682      -2.691       2.156
==============================================================================
Omnibus:                          nan   Durbin-Watson:                   2.301
Prob(Omnibus):                    nan   Jarque-Bera (JB):                0.254
Skew:                          -0.099   Prob(JB):                        0.881
Kurtosis:                       1.781   Cond. No.                         3.44
==============================================================================