知识卡片
分组回归需明确设计矩阵
将每组的被解释变量Y和解释变量列X取出,再添加常数列表示截距,OLS拟合后返回参数。按年执行会得到每年的斜率与截距,参数只描述该模型和样本内的线性拟合,不能独自证明因果、预测精度或显著性。截距需明确加入,避免把无截距模型误认为同一种模型。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 分组回归需明确设计矩阵
- · 分组因子暴露
原书出处 · 2 处
- · 查看原书依据
X['intercept'] = 1. result = sm.OLS(Y, X).fit() return result.params 现在,为了按年计算AAPL对SPX收益率的线性回归,我执行: In [141]: by_year.apply(regress, 'AAPL', ['SPX']) Out[141]: SPX intercept 2003 1
- · 查看原书依据
beta_exposure(chunk, factors=None): return pd.ols(y=chunk, x=factors).beta 然后根据行业进行分组,并应用该函数,传入因子载荷的DataFrame: In [102]: by_ind = port.groupby(industries) In [103]: exposures = by_
参考来源
- 位置:《利用Python进行数据分析》第9章《示例:面向分组的线性回归》(spine305;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0291.html;u207-ch09-025)。
- 结论依据:原文在“X['intercept'] = 1.”附近的定义、例子或代码支撑本卡核心说明:将每组的被解释变量Y和解释变量列X取出,再添加常数列表示截距,OLS拟合后返回参数。边界按已读前提解释;示例未执行。
- 原始内容:X['intercept'] = 1. result = sm.OLS(Y, X).fit() return result.params 现在,为了按年计算AAPL对SPX收益率的线性回归,我执行: In [141]: by_year.apply(regress, 'AAPL', ['SPX']) Out[141]: SPX intercept 2003 1
- 位置:《利用Python进行数据分析》第11章《分组因子暴露》(spine320;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0306.html;u256-ch09-025)。
- 结论依据:行业内回归仍需按对象索引匹配目标和解释变量,并确认每组样本量与可识别性,传全表factors不等于忽略行对齐。
- 原始内容:beta_exposure(chunk, factors=None): return pd.ols(y=chunk, x=factors).beta 然后根据行业进行分组,并应用该函数,传入因子载荷的DataFrame: In [102]: by_ind = port.groupby(industries) In [103]: exposures = by_