statsmodels

    0熱度

    1回答

    目的:我想計算擬合多元線性迴歸模型預測的測試誤差。 問題:這是我的代碼。它旨在基於X_test變量擬合線性迴歸模型來訓練數據,然後預測y值(價格): X.insert(0, 'constant', 1) # insert constant column X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.

    0熱度

    1回答

    我試圖按組運行線性迴歸,並分別顯示每個材質組的結果,包括特定材質的名稱。 我的數據集有一個變量ActYTDVol,我在UnitPrice上進行迴歸。我使用statsmodels和for-in分別對每個材質(=組)進行迴歸。 我能夠運行上述迴歸,但迴歸輸出不顯示我正在分析的材料的名稱,因此我無法說出迴歸輸出引用的材料的名稱。 是否有辦法在迴歸輸出旁邊顯示Material(= group)名稱? 這是

    2熱度

    2回答

    我剛裝了蟒蛇,然後當我試圖用空閒使用模塊statsmodels它告訴我它不存在: ModuleNotFoundError: No module named 'statsmodels' 如果我再嘗試安裝模塊使用點它告訴我它在那裏。 我也嘗試卸載Anaconda並單獨安裝模塊,但連接超時。 error image 我在工作,所以這可能是由於PIP模塊無法通過代理? 如果是這種情況,爲什麼Anaco

    2熱度

    1回答

    在Statsmodels我能適合使用 import statsmodels.api as sm X = np.array([22000, 13400, 47600, 7400, 12000, 32000, 28000, 31000, 69000, 48600]) y = np.array([0.62, 0.24, 0.89, 0.11, 0.18, 0.75, 0.54, 0.61, 0.9

    2熱度

    1回答

    我想在兩個時間序列運行grangercausalitytests: import numpy as np import pandas as pd from statsmodels.tsa.stattools import grangercausalitytests n = 1000 ls = np.linspace(0, 2*np.pi, n) df1 = pd.DataFrame

    3熱度

    1回答

    python的新功能在這裏。 使用下列內容: 蟒蛇 - V1.3.1 Spyder的 - v3.1.4 的Python - V3.5 我試圖導入以下庫: import numpy as np import matplotlib.pyplot as plt import pandas as pd import statsmodels.formula.api as sm 它不斷給我出現以下錯

    0熱度

    1回答

    在Python StatsModel模塊中運行分位數迴歸後出現錯誤。該錯誤是以下幾點: ValueError Traceback (most recent call last) <ipython-input-221-3547de1b5e0d> in <module>() 16 model = smf.quantreg(fit_formula, train) 17 ---> 1

    24熱度

    1回答

    我已經在已棄用的stats/ols模塊中使用了熊貓的MovingOLS類(源here)。不幸的是,它完全被熊貓0.20吞噬。 在我看來,如何以高效的方式運行滾動OLS迴歸的問題已被多次提出(例如here),但是表達方式有點寬泛,沒有一個很好的答案。 這裏是我的問題: 我怎樣才能最好地模擬大熊貓MovingOLS的基本框架?這個類最吸引人的特點是能夠將多個方法/屬性視爲不同的時間序列 - 即,係數,

    2熱度

    2回答

    我有我想以計算的置信區間的樣本數據,假設分佈是不正常的,是未知的。基本上,它看起來像分配帕累託,但我不知道肯定。 正態分佈的答案: Compute a confidence interval from sample data Correct way to obtain confidence interval with scipy

    2熱度

    1回答

    我正在嘗試使用Python的statsmodels包進行負二項迴歸。使用GLM例程即 model = smf.glm(formula="Sales_Focus_2016 ~ Sales_Focus_2015 + A_Calls + A_Ed", data=df, family=sm.families.NegativeBinomial()).fit() model.summary() 然而,G