如何在 Python Pandas 回归模型中使用滞后时间序列变量？答案

【问题标题】：How to Use Lagged Time-Series Variables in a Python Pandas Regression Model?如何在 Python Pandas 回归模型中使用滞后时间序列变量？
【发布时间】：2017-02-11 22:42:27
【问题描述】：

我正在创建时间序列计量经济学回归模型。数据存储在 Pandas 数据框中。

如何使用 Python 进行滞后时间序列计量经济学分析？我过去使用过 Eviews（它是一个独立的计量经济学程序，即不是 Python 包）。要使用 Eviews 估计 OLS 方程，您可以编写如下内容：

equation eq1.ls log(usales) c log(usales(-1)) log(price(-1)) tv_spend radio_spend

注意滞后相关和滞后价格条款。正是这些滞后变量似乎难以使用 Python 处理，例如使用 scikit 或 statmodels（除非我错过了什么）。

创建模型后，我想执行测试并使用该模型进行预测。

我对 ARIMA、指数平滑或 Holt Winters 时间序列预测不感兴趣 - 我主要对时间序列 OLS 感兴趣。

【问题讨论】：

标签： python pandas time-series regression

【解决方案1】：

pandas 允许您在不移动索引的情况下移动数据

df.shift(-1)

将创建 1 个索引滞后行为

或

df.shift(1)

将创建 1 个索引的前向滞后

因此，如果您有每日时间序列，则可以使用 df.shift(1) 在您的价格值中创建 1 天的延迟

df['lagprice'] = df['price'].shift(1)

之后，如果你想做 OLS，你可以在这里查看 scipy 模块：

http://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.stats.linregress.html

【讨论】：

谢谢 - 这看起来不错。在估计模型之前，我是否需要创建所有滞后序列？或者有没有办法创建一个模型，在需要时计算滞后值？
普通最小二乘回归通常不需要任何滞后。您应该刚刚过去 X 和 Y 值来估计您的 Beta 以最小化错误。那么您可以在给定新 X 值的情况下估计任何 Y。如果您需要滞后模型。我们通常在 Xt-1 与 Xt 相关的“自回归”模型中引入滞后值，但这将是一个不同的模型
但是假设您想估计 Xt-1 和 X 之间的 beta，您可以使用 scipy 并将 df['price'].shift(1) 作为 X 和 df['price']作为 Y，这将校准具有 Xt = B*Xt-1 的 beta
谢谢，这很有帮助。顺便说一句，在许多计量经济时间序列模型中，使用了滞后变量（以及滞后因变量）。例如，价格项可能会滞后。
你救了我。真的。上帝祝福你。所有的祝福与你同在。 ;)