17、高级深度调查分析：回归家族

高级深度调查分析：回归家族

1. OLS 模型预测

构建模型不仅仅是识别关键驱动因素，更要利用这些驱动因素和模型结构实现特定目的，最常见的就是预测不同条件下的情况。这里要强调预测（predicting）和预测（forecasting）的区别：
- 预测（forecasting） ：是关于未来事件的，具有时间导向性。
- 预测（predicting） ：是对一般事件的预测，不论是否发生在未来。

时间序列预测是个复杂问题，需要复杂的统计和计量经济学程序来确定模型并进行预测，且需要大量时间序列数据。而调查数据多是横截面数据，不适合用于预测。

不同条件下的预测（情景分析或假设分析）可以使用调查数据和 OLS 模型来实现。具体步骤如下：
1. 指定自变量的假设值（what - if values）。
2. 估计模型变量，该变量有一个 predict 方法，将假设值作为参数传入。
3. 生成因变量或目标变量的预测值。

示例代码如下（虽然原文未给出完整代码，但给出了思路）：

# 假设的情景值字典
scenario_values = {'price': [100, 200, 300]}
# 由于模型使用对数价格作为自变量，对价格进行对数变换
import numpy as np
scenario_prices = np.log(scenario_values['price'])
import pandas as pd
# 将情景价格及其变换后