CSP-J/S 考试介绍

在 Python 中，可以使用 statsmodels 模块中的 OLS 类来进行OLS回归模型的拟合和预测。下面是一个简单的示例代码： ```python import numpy as np import pandas as pd import statsmodels.api as sm # 生成随机数据 np.random.seed(123) X = np.random.rand(100) Y = 2*X + 0.5 + np.random.normal(0, 0.1, 100) # 将数据存放在DataFrame对象中 data = pd.DataFrame({'X': X, 'Y': Y}) # 添加截距项 data = sm.add_constant(data) # 拟合OLS回归模型 model = sm.OLS(data['Y'], data[['const', 'X']]) result = model.fit() # 输出回归结果 print(result.summary()) ``` 在上面的代码中，我们首先生成了一个简单的随机数据集，其中 X 是自变量，Y 是因变量。然后，我们将数据存放在了一个 pandas 的 DataFrame 对象中，并使用 sm.add_constant() 函数添加了截距项。接着，我们使用 sm.OLS() 函数拟合了OLS回归模型，并将结果保存在了 result 变量中。最后，我们使用 result.summary() 方法输出了回归结果的详细信息。 需要注意的是，在使用 statsmodels 进行OLS回归模型拟合时，需要显式地添加截距项，否则结果会有偏差。此外，我们还可以使用 result.predict() 方法来进行预测，即： ```python # 进行预测 new_data = pd.DataFrame({'X': [0.1, 0.2, 0.3]}) new_data = sm.add_constant(new_data) prediction = result.predict(new_data) # 输出预测结果 print(prediction) ``` 在上面的代码中，我们首先生成了一个新的数据集 new_data，然后使用 result.predict() 方法对其进行预测，并将结果保存在了 prediction 变量中。最后，我们使用 print() 函数输出了预测结果。