python的自变量选择(所有子集回归,后退法,逐步回归)

目录

• 1、为什么需要自变量选择？
• 2、自变量选择的几个准则
• （1）自由度调整复决定系数达到最大
• （2）赤池信息量AIC达到最小
• 3、所有子集回归
• （1）算法思想
• （2）数据集情况
• （3）代码部分
• （4）输出结果
• 4、后退法
• （1）算法思想
• （2）数据集情况
• （3）代码部分
• （4）结果展示
• 5、逐步回归
• （1）算法思想
• （2）数据集情况
• （3）代码部分
• （4）结果展示

1、为什么需要自变量选择？

一个好的回归模型，不是自变量个数越多越好。在建立回归模型的时候，选择自变量的基本指导思想是少而精。丢弃了一些对因变量y有影响的自变量后，所付出的代价就是估计量产生了有偏性，但是预测偏差的方差会下降。因此，自变量的选择有重要的实际意义。

2、自变量选择的几个准则

（1）自由度调整复决定系数达到最大

（2）赤池信息量AIC达到最小

3、所有子集回归

（1）算法思想

 所谓所有子集回归，就是将总的自变量的所有子集进行考虑，查看哪一个子集是最优解。

（2）数据集情况

（3）代码部分

import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
from itertools import combinations
def allziji(df):
    
    list1 = [1,2,3]
    n = 18
    R2 = []
    names = []
    #找到所有子集，并依次循环
    for a in range(len(list1)+1):
        for b in combinations(list1,a+1):
            p = len(list(b))
 
            data1 = pd.concat([df.iloc[:,i-1] for i in list(b) ],axis = 1)#结合所需因子
            
            name = "y~"+("+".join(data1.columns))#组成公式
            
            data = pd.concat([df['y'],data1],axis=1)#结合自变量和因变量
            
            result = smf.ols(name,data=data).fit()#建模
            #计算R2a
            r2 = (n-1)/(n-p-1)
            r2 = r2 * (1-result.rsquared**2)
            r2 = 1 - r2
            R2.append(r2)
            names.append(name)
    finall = {"公式":names,              "R2a":R2}
    data = pd.DataFrame(finall)
    print("""根据自由度调整复决定系数准则得到：
        最优子集回归模型为：{}；
        其R2a值为：{}""".format(data.iloc[data['R2a'].argmax(),0],data.iloc[data['R2a'].argmax(),1]))
    result = smf.ols(name,data=df).fit()#建模
    print()
    print(result.summary())

df = pd.read_csv("data5.csv")
allziji(df)

（4）输出结果

4、后退法

（1）算法思想

后退法与前进法相反，通常先用全部m个变量建立一个回归方程，然后计算在剔除任意一个变量后回归方程所对应的AIC统计量的值，选出最小的AIC值所对应的需要剔除的变量，不妨记作x1;然后，建立剔除变量x1后因变量y对剩余m-1个变量的回归方程，计算在该回归方程中再任意剔除一个变量后所得回归方程的AIC值，选出最小的AIC值并确定应该剔除的变量;依此类推，直至回归方程中剩余的p个变量中再任意剔除一个 AIC值都会增加，此时已经没有可以继续剔除的自变量，因此包含这p个变量的回归方程就是最终确定的方程。

（2）数据集情况

（3）代码部分

import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
 
def backward(df):
    all_bianliang = [i for i in range(0,9)]#备退因子
    ceshi = [i for i in range(0,9)]#存放加入单个因子后的模型
    zhengshi = [i for i in range(0,9)]#收集确定因子
    data1 = pd.concat([df.iloc[:,i+1] for i in ceshi ],axis = 1)#结合所需因子
    name = 'y~'+'+'.join(data1.columns)
    result = smf.ols(name,data=df).fit()#建模
    c0 = result.aic #最小aic
    delete = []#已删元素
    while(all_bianliang):
        aic = []#存放aic
 
        for i in all_bianliang:
            ceshi = [i for i in zhengshi]
            ceshi.remove(i)
            data1 = pd.concat([df.iloc[:,i+1] for i in ceshi ],axis = 1)#结合所需因子
            name = "y~"+("+".join(data1.columns))#组成公式
            data = pd.concat([df['y'],data1],axis=1)#结合自变量和因变量
            result = smf.ols(name,data=data).fit()#建模
            aic.append(result.aic)#将所有aic存入
 
        if min(aic)>c0:#aic已经达到最小
            data1 = pd.concat([df.iloc[:,i+1] for i in zhengshi ],axis = 1)#结合所需因子
            name = "y~"+("+".join(data1.columns))#组成公式
            break
        else:
            zhengshi.remove(all_bianliang[aic.index(min(aic))])#查找最小的aic并将最小的因子存入正式的模型列表当中
 
        c0 = min(aic)
        delete.append(aic.index(min(aic)))
        all_bianliang.remove(all_bianliang[delete[-1]])#删除已删因子
 
    name = "y~"+("+".join(data1.columns))#组成公式
    print("最优模型为：{}，其aic为：{}".format(name,c0))
    result = smf.ols(name,data=df).fit()#建模
    print()
    print(result.summary())

df = pd.read_csv("data3.1.csv",encoding='gbk')
backward(df)

（4）结果展示

5、逐步回归

（1）算法思想

逐步回归的基本思想是有进有出。R语言中step()函数的具体做法是在给定了包含p个变量的初始模型后，计算初始模型的AIC值，并在此模型基础上分别剔除p个变量和添加剩余m-p个变量中的任一变量后的AIC值，然后选择最小的AIC值决定是否添加新变量或剔除已存在初始模型中的变量。如此反复进行，直至既不添加新变量也不剔除模型中已有的变量时所对应的AIC值最小，即可停止计算，并返回最终结果。

（2）数据集情况

（3）代码部分

import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
def zhubuhuigui(df):
    forward = [i for i in range(0,4)]#备选因子
    backward = []#备退因子
    ceshi = []#存放加入单个因子后的模型
    zhengshi = []#收集确定因子
    delete = []#被删因子

    while forward:
        forward_aic = []#前进aic
        backward_aic = []#后退aic

        for i in forward:
            ceshi = [j for j in zhengshi]
            ceshi.append(i)
            data1 = pd.concat([df.iloc[:,i] for i in ceshi ],axis = 1)#结合所需因子
            name = "y~"+("+".join(data1.columns))#组成公式
            data = pd.concat([df['y'],data1],axis=1)#结合自变量和因变量
            result = smf.ols(name,data=data).fit()#建模
            forward_aic.append(result.aic)#将所有aic存入

        for i in backward:
            if (len(backward)==1):
                pass

            else:
                ceshi = [j for j in zhengshi]
                ceshi.remove(i)
                data1 = pd.concat([df.iloc[:,i] for i in ceshi ],axis = 1)#结合所需因子
                name = "y~"+("+".join(data1.columns))#组成公式
                data = pd.concat([df['y'],data1],axis=1)#结合自变量和因变量
                result = smf.ols(name,data=data).fit()#建模
                backward_aic.append(result.aic)#将所有aic存入

        if backward_aic:
            if forward_aic:
                c0 = min(min(backward_aic),min(forward_aic))

            else:
                c0 = min(backward_aic)

        else:
            c0 = min(forward_aic)

        if c0 in backward_aic:
            zhengshi.remove(backward[backward_aic.index(c0)])
            delete.append(backward_aic.index(c0))
            backward.remove(backward[delete[-1]])#删除已删因子
            forward.append(backward[delete[-1]])
        else:
            zhengshi.append(forward[forward_aic.index(c0)])#查找最小的aic并将最小的因子存入正式的模型列表当中
            forward.remove(zhengshi[-1])#删除已有因子
            backward.append(zhengshi[-1])
 
    name = "y~"+("+".join(data1.columns))#组成公式
    print("最优模型为：{}，其aic为：{}".format(name,c0))
    result = smf.ols(name,data=data).fit()#建模
    print()
    print(result.summary())

df = pd.read_csv("data5.5.csv",encoding='gbk')
zhubuhuigui(df)

（4）结果展示