第五节 利用python进行WLS加权最小二乘回归
FBI WARNING： 好久没有写过文档了，偶然登陆账号发现一年前随手写下的“教程”竟然收到蛮多小伙伴们的支持，这是没想到的，谢谢各位大佬们。虽然计量经济学这门课早就结束，没有使用的机会，但最近写毕业论文有了不少数据，今天就对最近遇到的WLS进行总结吧～
一、关于WLS
我们知道关于OLS的假设，其中有一条就是随机扰动项同方差且相互独立，如果不满足这个条件，就会引发异方差性的相关问题。那如果存在异方差性该怎样解决呢？加权最小二乘法WLS（weighted least square）估计就这样出来了！ 普通最小二乘法（OLS）目标是让我们的残差平方和最小，给予每一个观测同样的权重，如果这个时候存在异方差性，就应该对我们的残差不同的权重。WLS简单来讲就是：给残差比较小的观测更大的权重，给残差更小的观测一个更大的权重，异方差性得以解决。
二、代码实现
本次实验还是利用python的statesmodels快速完成，整个过程非常简单，直接上手吧！
1.statsmodels关于WLS方法的解读
来自官方文档
import statsmodels.api as sm
sm.WLS(endog,exog,weights)
#endog:自变量；exog:因变量；weight：加权的权重，默认为1
2.代码演示
WLS既然要给残差比较小的更大的权重，给残差更小的一个更大的权重，那么首先进行OLS回归，得到了回归的残差，取其绝对值的倒数作为权重进行WLS回归即可。
2.1 首先进行OLS回归
import pandas as pd
import numpy as np
import statsmodels.api as sm
# 随机生成数据
X=pd.DataFrame(np.random.random((200,4)),columns=['x1','x2','x3','x4'])
Y=np.random.random(200)
#OLS回归
X = sm.add_constant(X) #增加常数项列
model = sm.OLS(Y,X)
result = model.fit()
result.summary()
展示一下OLS的结果，随机生成的数据，仅供参考：
2.2进行加权最小二乘回归
#获取刚才OLS回归得到的残差，用其绝对值的倒数作为权重
w = 1/abs(reusult.resid)
model_w = sm.WLS(Y,X,weights=w) #输入参数，w表示权重
result_w = model_w.fit()
result_w.summary()
WLS的结果如下： 可以看到回归输出的参数和OLS回归相比还是有变化的，这里数据是随机生成的，我就不过多阐述了～好啦好啦，就这样吧！
总结
WLS的步骤大致总结为2步
OLS回归得到回归的残差序列(resid)，取其绝对值的倒数作为权重;调用sm.WLS，将上一步骤得到的权重作为sm.WLS(Y,X,weights)中的weights进行回归即可
文章来源
发表评论