统计模型回归的输出

Question

我想使用 statsmodels 执行简单的线性回归，我现在已经尝试了几种不同的方法，但我就是没有让它工作。我现在构建的代码没有给我任何错误，但也没有显示结果

我正在尝试为变量 "Direction" 创建一个模型，如果相应日期的 return 为负，则取值为 0，如果为正，则取值为 1。解释变量是 return 的 (5) 个滞后。 df13 包含滞后以及每个观察日期的方向。我试过这段代码，正如我所提到的，它没有给出错误，而是说“优化已成功终止。当前函数值：0.682314 迭代 5

但是，我希望看到典型的 table 以及所有 beta 值、它们的重要性等。

此外，您怎么看，既然 Direction 是一个二元变量，使用 logit 模型而不是线性模型会更好吗？但是，在作业中它显示为线性模型。

最后，很抱歉它没有在此处正确显示，但我不知道如何编写代码或插入我的数据框

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

import os

import itertools

from sklearn import preprocessing

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score

import statsmodels.api as sm

import matplotlib.pyplot as plt

from statsmodels.sandbox.regression.predstd import wls_prediction_std

...



X = df13[['Lag1', 'Lag2', 'Lag3', 'Lag4', 'Lag5']]
Y = df13['Direction']

X = sm.add_constant(X)


model = sm.Logit(Y.astype(float), X.astype(float)).fit()
predictions = model.predict(X)

print_model = model.summary
print(print_model)

编辑：我确定它必须是逻辑回归，所以我更新了那部分

Answer 1

我不知道这是不是无意的，但看起来你需要分别定义 X 和 Y：

X = df13[['Lag1', 'Lag2', 'Lag3', 'Lag4', 'Lag5']]

Y = df13['Direction']

其次，我不熟悉 statsmodel，但我会尝试将您的数据帧转换为 numpy 数组。您可以使用

Xnum = X.to_numpy() 

ynum = y.to_numpy()

并尝试将它们传递给回归器。

统计模型回归的输出

Output of a statsmodels regression

python

linear-regression

statsmodels