如何将statsmodels的VAR函数拟合的对数差分数据转换回实际值

import pandas import statsmodels as sm from statsmodels.tsa.api import VAR from statsmodels.tsa.base.datetools import dates_from_str from statsmodels.tsa.stattools import adfuller import numpy as np import matplotlib.pyplot as plt mdata = sm.datasets.macrodata.load_pandas().data dates = mdata[['year', 'quarter']].astype(int).astype(str) quarterly = dates["year"] + "Q" + dates["quarter"] quarterly = dates_from_str(quarterly) mdata = mdata[['realgdp', 'realcons', 'realinv']] mdata.index = pandas.DatetimeIndex(quarterly) data = np.log(mdata).diff().dropna() f, ((ax1, ax2, ax3), (ax4, ax5, ax6)) = plt.subplots(2, 3, sharex='col', sharey='row') ax1.plot(mdata.index, mdata['realgdp']) ax2.plot(mdata.index, mdata['realcons']) ax3.plot(mdata.index, mdata['realinv']) ax4.plot(data.index, data['realgdp']) ax5.plot(data.index, data['realcons']) ax6.plot(data.index, data['realinv']) f.suptitle('Original data vs. log-differenced data ') plt.show() print adfuller(mdata['realgdp']) print adfuller(data['realgdp']) # make a VAR model model = VAR(data) results = model.fit(2) print results.summary() # results.plot() # plt.show() f, axarr = plt.subplots(3, sharex=True) axarr[0].plot(data.index, data['realgdp']) axarr[0].plot(results.fittedvalues.index, results.fittedvalues['realgdp']) axarr[1].plot(data.index, data['realcons']) axarr[1].plot(results.fittedvalues.index, results.fittedvalues['realcons']) axarr[2].plot(data.index, data['realinv']) axarr[2].plot(results.fittedvalues.index, results.fittedvalues['realinv']) f.suptitle('Original data vs. fitted data ') plt.show()

(1.7504627967647102, 0.99824553723350318, 12, 190, {'5%': -2.8768752281673717, '1%': -3.4652439354133255, '10%': -2.5749446537396121}, 2034.5171236683821) (-6.9728713472162127, 8.5750958448994759e-10, 1, 200, {'5%': -2.876102355, '1%': -3.4634760791249999, '10%': -2.574532225}, -1261.4401395993809) Summary of Regression Results ================================== Model: VAR Method: OLS Date: Wed, 09, Mar, 2016 Time: 15:08:07 -------------------------------------------------------------------- No. of Equations: 3.00000 BIC: -27.5830 Nobs: 200.000 HQIC: -27.7892 Log likelihood: 1962.57 FPE: 7.42129e-13 AIC: -27.9293 Det(Omega_mle): 6.69358e-13 -------------------------------------------------------------------- Results for equation realgdp ============================================================================== coefficient std. error t-stat prob ------------------------------------------------------------------------------ const 0.001527 0.001119 1.365 0.174 L1.realgdp -0.279435 0.169663 -1.647 0.101 L1.realcons 0.675016 0.131285 5.142 0.000 L1.realinv 0.033219 0.026194 1.268 0.206 L2.realgdp 0.008221 0.173522 0.047 0.962 L2.realcons 0.290458 0.145904 1.991 0.048 L2.realinv -0.007321 0.025786 -0.284 0.777 ============================================================================== Results for equation realcons ============================================================================== coefficient std. error t-stat prob ------------------------------------------------------------------------------ const 0.005460 0.000969 5.634 0.000 L1.realgdp -0.100468 0.146924 -0.684 0.495 L1.realcons 0.268640 0.113690 2.363 0.019 L1.realinv 0.025739 0.022683 1.135 0.258 L2.realgdp -0.123174 0.150267 -0.820 0.413 L2.realcons 0.232499 0.126350 1.840 0.067 L2.realinv 0.023504 0.022330 1.053 0.294 ============================================================================== Results for equation realinv ============================================================================== coefficient std. error t-stat prob ------------------------------------------------------------------------------ const -0.023903 0.005863 -4.077 0.000 L1.realgdp -1.970974 0.888892 -2.217 0.028 L1.realcons 4.414162 0.687825 6.418 0.000 L1.realinv 0.225479 0.137234 1.643 0.102 L2.realgdp 0.380786 0.909114 0.419 0.676 L2.realcons 0.800281 0.764416 1.047 0.296 L2.realinv -0.124079 0.135098 -0.918 0.360 ============================================================================== Correlation matrix of residuals realgdp realcons realinv realgdp 1.000000 0.603316 0.750722 realcons 0.603316 1.000000 0.131951 realinv 0.750722 0.131951 1.000000

2条回答

网友

1楼 · 编辑于 2024-10-04 01:23:17

您正在查找np.exp，它是np.log的逆。在

因此，在你的realgdp上应用np.exp例如：

axarr[0].plot(results.fittedvalues.index, np.exp(results.fittedvalues['realgdp']))

将使fittedvalues回到原始比例。在

{{cd7}你可能想用同样的绘图。要做到这一点，您需要额外的步骤（与您获得data相反的步骤）。在

如果您查看索引：

^{pr2}$

您将注意到fittedvalues以'1959-12-31'开头，因此要重建您的fittedvalues，您需要：

将来自mdata的值的log附加到'1959-12-31'（即'1959-09-30'）前面的索引添加到fittedvalues的开头
计算这个数组的cumsum()（它是.diff()的逆）
计算结果值的np.exp。在

以realgdp为例，您可以将其与mdata中的原始值一起绘制，如下所示：

f, ax = plt.subplots()
ax.plot(mdata.index, mdata['realgdp'], label='Original Data')
ax.plot(mdata.index[2:],
        np.exp(np.r_[np.log(mdata['realgdp'].iloc[2]), 
                     results.fittedvalues['realgdp']].cumsum()),
       label='Fitted Data')
ax.set_title('Original data vs. UN-log-differenced data')
ax.legend(loc=0)

请注意，您需要在results = model.fit(2)行后调用此脚本

这将产生以下情节：

网友

2楼 · 编辑于 2024-10-04 01:23:17

我想你要预测的是最终值不要对数和差分值（即原始数据）

在这个数据集中，他们感兴趣的是计算利率。这里我附上了我的代码的截图

要与原始数据集值交叉检查的最后一个单元格数据。在

相关问题更多 >

编程相关推荐

热门问题

热门文章