随机向量 x服从 p 元正态分布 ,回归系数b 从上述模型中产生独立同分布观测样本 .用最小二乘估计b的 python代码(不使用minize函数和optimistic包并且产生结果)
时间: 2024-02-16 10:59:43 浏览: 70
基于Python的线性回归最小二乘算法的设计与实现.docx
假设我们有一个数据集,其中X是自变量矩阵,Y是因变量向量。我们可以使用numpy库中的线性代数函数来计算最小二乘估计。
```python
import numpy as np
# 生成自变量矩阵X和因变量向量Y
n = 100 # 样本数
p = 5 # 自变量个数
X = np.random.randn(n, p) # 生成n行p列的随机矩阵
b = np.random.randn(p) # 生成p维随机向量作为系数
Y = X.dot(b) + np.random.randn(n) # 计算因变量向量并加入随机噪声
# 计算最小二乘估计
X_transpose = np.transpose(X)
b_hat = np.linalg.inv(X_transpose.dot(X)).dot(X_transpose).dot(Y)
# 输出系数估计结果
print("真实系数:", b)
print("估计系数:", b_hat)
```
在上述代码中,我们首先生成一个n行p列的随机矩阵X,以及一个p维随机向量作为系数b。然后,我们计算因变量向量Y,并加入随机噪声。接着,我们使用numpy库中的transpose函数计算X的转置矩阵,并使用dot函数计算矩阵乘积。最后,我们使用linalg库中的inv函数计算矩阵的逆,并使用dot函数计算矩阵乘积来得到系数估计结果。最终,我们输出真实系数和估计系数。
阅读全文