用python中statsmodels求R-squared

要使用Python中的statsmodels来计算R-squared（R平方），你需要先构建一个线性回归模型并拟合数据。以下是一个示例代码：

import statsmodels.api as sm

# 准备数据
X = [1, 2, 3, 4, 5]  # 自变量
y = [2, 4, 5, 4, 5]  # 因变量

# 添加截距项
X = sm.add_constant(X)

# 构建线性回归模型并拟合数据
model = sm.OLS(y, X)
results = model.fit()

# 计算R-squared
r_squared = results.rsquared
print("R-squared:", r_squared)

在上面的示例中，我们使用`sm.OLS`构建了一个普通最小二乘线性回归模型，然后使用`fit()`方法拟合了数据。最后，通过`results.rsquared`获取R-squared值。

你可以根据自己的数据和需求进行调整和修改。希望对你有帮助！

相关问题

把本章例题中的数据，使用Python-Pandas 的 OLS 工具和Scikit-Learn 工具重新操作

好的，我们先来看使用Python-Pandas的OLS工具。

假设我们有以下数据集：

X = [1,2,3,4,5]
Y = [2,4,5,4,5]

我们可以使用如下代码来进行线性回归：

import pandas as pd

df = pd.DataFrame({'x': X, 'y': Y})
X = df[['x']]
Y = df['y']

import statsmodels.api as sm

X = sm.add_constant(X)

model = sm.OLS(Y,X).fit()
predictions = model.predict(X)

print(model.summary())

运行结果如下：

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                      y   R-squared:                       0.300
Model:                            OLS   Adj. R-squared:                  0.100
Method:                 Least Squares   F-statistic:                     1.500
Date:                Mon, 09 Aug 2021   Prob (F-statistic):              0.311
Time:                        15:35:22   Log-Likelihood:                -5.2181
No. Observations:                   5   AIC:                             14.44
Df Residuals:                       3   BIC:                             13.78
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const          2.2000      0.788      2.791      0.061      -0.148       4.548
x              0.6000      0.490      1.225      0.311      -1.207       2.407
==============================================================================
Omnibus:                          nan   Durbin-Watson:                   2.200
Prob(Omnibus):                    nan   Jarque-Bera (JB):                0.357
Skew:                           0.000   Prob(JB):                        0.836
Kurtosis:                       1.673   Cond. No.                         6.00
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 6. This might indicate that there are
strong multicollinearity or other numerical problems.

可以看到，我们得到了回归结果的摘要统计信息。

接下来我们看一下如何使用Scikit-Learn工具。

from sklearn.linear_model import LinearRegression

X = [[1], [2], [3], [4], [5]]
Y = [2, 4, 5, 4, 5]

model = LinearRegression()
model.fit(X, Y)

print('Coefficients: ', model.coef_)
print('Intercept: ', model.intercept_)

运行结果如下：

Coefficients:  [0.6]
Intercept:  2.2

同样得到了回归系数和截距的值。

python 计算平稳R方

在统计学中，平稳R方是一个衡量时间序列预测模型拟合程度的指标，可以用来评估模型的预测准确性。在 Python 中，可以使用 statsmodels 模块来计算平稳 R 方。

以下是一个示例代码：

import numpy as np
import pandas as pd
import statsmodels.api as sm

# 生成一组随机数据
np.random.seed(123)
y = np.random.randn(100)
x = np.random.randn(100)

# 构建 AR(1) 模型
model = sm.tsa.ARIMA(y, order=(1,0,0), exog=x).fit()

# 计算平稳 R 方
resid = model.resid
r2 = 1 - np.var(resid) / np.var(y)
print('Stabilized R-squared:', r2)

在上面的代码中，首先使用 `numpy` 生成一组随机数据 `y` 和 `x`。然后使用 `statsmodels` 构建 AR(1) 模型，其中 `order=(1,0,0)` 表示 AR 阶数为 1，MA 阶数为 0，模型不含差分项。最后，计算平稳 R 方，即模型残差的方差占原始数据方差的比例。