python中每个预测变量的调整R平方答案

【问题标题】：Adjusted R square for each predictor variable in pythonpython中每个预测变量的调整R平方
【发布时间】：2018-07-26 20:01:09
【问题描述】：

我有一个包含多列的 pandas 数据框。我需要执行多元线性回归。在此之前，我想分析每个自变量相对于因变量的 R、R2、调整后的 R2 和 p 值。对于 R 和 R2 我没有问题，因为我可以计算 R 矩阵并仅选择因变量，然后查看它与所有自变量之间的 R 系数。然后我可以将这些值平方以获得 R2。我的问题是如何对调整后的 R2 和 p 值做同样的事情最后我想要得到的是这样的东西：

 Variable     R        R2       ADJUSTED_R2   p_value
 A            0.4193   0.1758   ...
 B            0.2620   0.0686   ...
 C            0.2535   0.0643   ...

所有的值都与因变量有关，比如 Y。

【问题讨论】：

标签： python pandas linear-regression p-value pearson-correlation

【解决方案1】：

以下内容不会为您提供所有答案，但可以帮助您使用 python、pandas 和 statsmodels 进行回归分析。

给定这样的数据框...

# Imports
import pandas as pd
import numpy as np
import itertools

# A datafrane with random numbers
np.random.seed(123)
rows = 12
listVars= ['y','x1', 'x2', 'x3']
rng = pd.date_range('1/1/2017', periods=rows, freq='D')
df_1 = pd.DataFrame(np.random.randint(100,150,size=(rows, len(listVars))), columns=listVars) 
df_1 = df_1.set_index(rng)

print(df_1)

...您可以使用 statsmodels 库并更改以下 sn-p 中的result = model.rsquared 部分来获得任何回归结果：

x = df_1['x1']
x = sm.add_constant(x)
model = sm.OLS(df_1['y'], x).fit()    
result = model.rsquared
print(result)

现在你有了 r-squared。使用 model.pvalues 作为 p 值。并使用dir(model)仔细查看其他模型结果（输出中的内容比您在下面看到的要多）：

现在，这应该可以让您获得所需的结果。要获得所有变量/列组合的理想结果，here 问题和答案应该会让您走得很远。

编辑：您可以使用model.summary() 仔细查看一些常见的回归结果。将它与dir(model) 一起使用，您可以看到并非所有回归结果都可用与pvalues 使用model.pvalues 的方式相同。例如，要获得 Durbin-Watson，您必须使用 durbinwatson = sm.stats.stattools.durbin_watson(model.fittedvalues, axis=0)。 This post 已获得有关此问题的更多信息。

【讨论】：