一般回归模型中回归的中心任务是根据样本信息估计整体回归函数
线性线性回归模型:线性回归模型假设x是一维的。 也就是说,只有一个因素会考虑对y的影响。 模型是
y=x ,e(|x )=0
其中是回归系数。
x=0时,可以表示为y期待值; 可以理解为x每增加1个单位,y平均增加1个单位
案例:假设家庭每月消费支出与每月可支配收入的关系如下。
Spending=*Income
表1.1 家庭消费支出与可支配收入的一个随机样本 单位: 元
X
800
1100
1400
1700
2000
2300
2600
2900
3200
3500
Y
638
935
1155
1254
1408
1650
1925
2068
2266
2530
使用OLS估计回归参数示例的回归模型可以表示为:
其中,是回归参数的估计,是下面的拟合值,称为残差。
OLS估计的思想是通过将残差最小化来估计回归系数,如下所述
派生流程:
python实现不调用package :
deflinear_ols(x_arr,y_arr(:x_avg=x_arr.mean ) y_avg=y_arr.mean ) s _ xy=(x _ avg ) beta _0x=NP.array ([ 800,1100,1400,1700,2000,2300 ] 1650,1925,2068,2266,2530 ] (beta _ 1,beta _0)
importstatsmodels.apiassmx=NP.array ([ 800,1100,1400,1700,2000,2300,2900,3200,3500 ] ) y=NP . 530 ) ) est=sm.ols(y,sm.add_constant(x ) x ).fit ) (est.summary ) ) result :