Python中的多元回归（带因子选择）

Question

我读过的所有关于Python中多元回归的线程大多推荐Statsmodels中的OLS函数。这是我遇到的一个问题，我试图解释一个基金的回报（HYFAX用绿色突出显示），用14个独立变量回归它的收益，这些变量可以解释这个基金的回报。这应该有一个显著的F检验，并且在经过因子的逐步迭代之后，给出具有最高调整R平方的最佳拟合模型。在python中有没有一种方法可以做到这一点？在

Fund returns vs Factors

Answer 1

听起来你只是想看看模型拟合的结果。下面是一个有1个预测器的例子，但很容易扩展到14：

导入statsmodels并指定要构建的模型（在这里可以包含14个预测值）：

import statsmodels.api as sm

#read in your data however you want and assign your y, x1...x14 variables

model = sm.OLS(x, y)

适合模型：

^{pr2}$

现在只需显示模型拟合的摘要：

print(results.summary())

这将给你调整后的R平方值，F测试值，beta权重等，应该如下所示：

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                      x   R-squared:                       0.601
Model:                            OLS   Adj. R-squared:                  0.594
Method:                 Least Squares   F-statistic:                     87.38
Date:                Wed, 24 Aug 2016   Prob (F-statistic):           3.56e-13
Time:                        19:51:25   Log-Likelihood:                -301.81
No. Observations:                  59   AIC:                             605.6
Df Residuals:                      58   BIC:                             607.7
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [95.0% Conf. Int.]
                                       
y              0.8095      0.087      9.348      0.000         0.636     0.983
==============================================================================
Omnibus:                        0.119   Durbin-Watson:                   1.607
Prob(Omnibus):                  0.942   Jarque-Bera (JB):                0.178
Skew:                          -0.099   Prob(JB):                        0.915
Kurtosis:                       2.818   Cond. No.                         1.00
==============================================================================