0
回帰分析を得るために最初の部分を残りの関数にどのように適合させることができるか知っていますか？csvのデータを使用した多変量回帰のためのPython関数
import numpy as np
import matplotlib.pyplot as plt
from numpy import *
from matplotlib.pyplot import * #for the graph
data = np.genfromtxt('bookingdata.csv', delimiter = ',')
tvst = data[1:,][:,1]
cntime = data[1:,][:,2]
brate = data[1:,][:,3]
ppvwst = data[1:,][:,4]
import statsmodels.api as sm
def reg_m(tvst, cntime,brate,ppvwst):
ones = np.ones(len(cntime[0])
X = sm.add_constant(np.column_stack((x[0], ones)))
for ele in x[1:]:
X = sm.add_constant(np.column_stack((ele, X)))
results = sm.OLS(y, X).fit()
return results
すべての変数は変数tvst、cntimeなどとしてロードされています。また、すべての変数は数値です。
最終目標は、Y（endogが）、これは重回帰と呼ばれ、ただ一つの変数である場合は、
OLS Regression Results
==============================================================================
Dep. Variable: y R-squared: 0.535
Model: OLS Adj. R-squared: 0.461
Method: Least Squares F-statistic: 7.281
Date: Tue, 19 Feb 2013 Prob (F-statistic): 0.00191
Time: 21:51:28 Log-Likelihood: -26.025
No. Observations: 23 AIC: 60.05
Df Residuals: 19 BIC: 64.59
Df Model: 3
==============================================================================
coef std err t P>|t| [95.0% Conf. Int.]
------------------------------------------------------------------------------
x1 0.2424 0.139 1.739 0.098 -0.049 0.534
x2 0.2360 0.149 1.587 0.129 -0.075 0.547
x3 -0.0618 0.145 -0.427 0.674 -0.365 0.241
const 1.5704 0.633 2.481 0.023 0.245 2.895
Omnibus: 6.904 Durbin-Watson: 1.905
Prob(Omnibus): 0.032 Jarque-Bera (JB): 4.708
Skew: -0.849 Prob(JB): 0.0950
Kurtosis: 4.426 Cond. No. 38.6
どう動作していないよう：
だから、重回帰はちょうど
か、我々はすでにデータの余分なコピーを回避column_stackを行うことを考えるのですか？ – DyZ
私は変数tvst（依存）とcentime、brate、ppvwst（独立）として、私のcsvファイルをPythonにロードしました。今私は、上記のような出力で、モデルの多変量回帰テストをしたいと思います。私はそれを達成する方法を完全に失っています。 –
'add_constant'は1の列を追加するのと同じことを行います。いずれかが冗長です。 – user333700