statsmodels的回归R2的问题

最新推荐文章于 2025-10-31 21:40:22 发布

原创

最新推荐文章于 2025-10-31 21:40:22 发布 · 7.4k 阅读

10 ·

CC 4.0 BY-SA版权

本文探讨了在使用statsmodels进行回归分析时，R2（可决系数）的计算问题。通过对比不同设置下的R2值，解释了hasconstant参数对R2的影响。当hasconstant为False时，由于未减去均值（uncentered TSS），导致R2值增大。同时，文章指出，若模型中显式或隐式包含常数项，R2将采用常规计算方式。理解这些差异有助于正确解读和应用statsmodels的回归结果。

做量化呢，得经常做回归，各种各样的，ols，wls，正则的lasso，岭回归等等。回归有一个很重要的整体解释力度的参数就是R2，也就是可决系数。在python中，我们回归一般采用的是statsmodels这个模块，但是回归的时候获得的R2其实有那么点学问，有时候设置错参数可能得到的R2大家会觉得怪怪的。这里就给大家排个雷。首先，我们先给出两组、六个回归函数。

第一组：

def cross_reg1_1(df):
    results = sm.OLS(df.rate, sm.add_constant(df[['plf_ttm']]), hasconst=False).fit()
    return results

def cross_reg1_2(df):
    results = sm.OLS(df.rate, sm.add_constant(df[['plf_ttm']]), hasconst=True).fit()
    return results

def cross_reg1_3(df):
    results = sm.OLS(df.rate, sm.add_constant(df[['plf_ttm']])).fit()
    return results

第二组：

def cross_reg2_1(df):
    results = sm.OLS(df.rate, df[['plf_ttm']],  hasconst=False).fit()
    return results

def cross_reg2_2(df):
    results = sm.OLS(df.rate, df[['plf_ttm']],  hasconst=True).fit()
    return results

def cross_reg2_3(df):
    results = sm.OLS(df.rate, df[['p