python经济学函数_有没有python计量经济学的教程？
多元线性回归模型假设：
假设中国2013年各地区人均现金消费支出与工资性收入、其他收入之间的关系为:
Y= β 0 =\beta_0=β0+β 1 X 1 \beta_1X_1β1X1+β 2 X 2 \beta_2X_2β2X2+μ \muμ
通过p y t h o n pythonpython的s t a t s m o d e l s statsmodelsstatsmodels库对数据进行回归计算：
import statsmodels.api as sm
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn import model_selection
data = pd.read_excel(r'./计量经济学数据.xlsx', sheet_name='Sheet1')
fit = sm.formula.ols(formula='现金消费支出Y ~ 工资性收入X1 + 其他收入X2', data=data).fit()
print(fit.summary())
sns.lmplot(x='工资性收入X1', y='现金消费支出Y', data=data, ci=None)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.show()
sns.pairplot(data.loc[:, ['现金消费支出Y', '工资性收入X1', '其他收入X2']])
# 显示图形
plt.show()
OLS Regression Results
==============================================================================
Dep. Variable: 现金消费支出Y R-squared: 0.922
Model: OLS Adj. R-squared: 0.917
Method: Least Squares F-statistic: 166.6
Date: Sun, 26 May 2019 Prob (F-statistic): 2.84e-16
Time: 13:43:41 Log-Likelihood: -260.68
No. Observations: 31 AIC: 527.4
Df Residuals: 28 BIC: 531.7
Df Model: 2
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 2599.1455 827.342 3.142 0.004 904.412 4293.879
工资性收入X1 0.4865 0.058 8.448 0.000 0.369 0.604
其他收入X2 0.6017 0.104 5.772 0.000 0.388 0.815
==============================================================================
Omnibus: 1.082 Durbin-Watson: 1.915
Prob(Omnibus): 0.582 Jarque-Bera (JB): 0.556
Skew: 0.327 Prob(JB): 0.757
Kurtosis: 3.064 Cond. No. 8.50e+04
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 8.5e+04. This might indicate that there are
strong multicollinearity or other numerical problems.
模型检验：
H 0 : β j = 0 H_0:\beta_j=0H0:βj=0
H 1 : β j H_1:\beta_jH1:βj不全部为零
拟合优度检验:
从回归估计来看,模型拟合较好，可决系数R 2 = 0.922. R^{2}=0.922.R2=0.922.
F检验:
F值为166.6，查表得F α ( k , n − k − 1 ) = 3.34 F_{\alpha}(k,n-k-1)=3.34Fα(k,n−k−1)=3.34，其中k=2，n=31，显然有F > F α ( k , n − k − 1 ) F>F_{\alpha}(k,n-k-1)F>Fα(k,n−k−1)，表明模型的线性关系在5%的显著水平下显著成立.所以拒绝原假设。
t检验:
∣ t 1 ∣ = 8.448 , ∣ t 2 ∣ = 5.772 , t α / 2 ( n − k − 1 ) = 2.048 \left|t_1\right|=8.448,\left|t_2\right|=5.772,t_{\alpha/2}(n-k-1)=2.048∣t1∣=8.448,∣t2∣=5.772,tα/2(n−k−1)=2.048
由于∣ t ∣ > t α / 2 ( n − k − 1 ) \left|t\right|>t_{\alpha/2}(n-k-1)∣t∣>tα/2(n−k−1)，所以拒绝零假设.
综上可得中国2013年各地区人均现金消费支出与工资性收入、其他收入之间的关系为：
Y = 2599.1455 + 0.4865 X 1 + 0.6017 X 2 Y=2599.1455+0.4865X_1+0.6017X_2Y=2599.1455+0.4865X1+0.6017X2
β 1 < β 2 \beta_1
因变量预测有时建立完模型并对其进行检验后，还需观察实际值和预测值具体情况，以确定模型的可用性。
data4 = pd.read_excel(r'./计量经济学数据.xlsx', sheet_name='Sheet1')
train, test = model_selection.train_test_split(data4, test_size=0.2, random_state=1234)
fit4 = sm.formula.ols(formula='现金消费支出Y ~ 工资性收入X1 + 其他收入X2', data=train).fit()
test_X = test.drop(labels='现金消费支出Y', axis=1)
pred = fit4.predict(exog=test_X)
print('对比预测值和实际值：\n', pd.DataFrame({'prediction': pred, 'real': test.现金消费支出Y}))
对比预测值和实际值：
prediction real
7 13874.648201 14161.7
10 25068.272118 23257.2
4 16645.508042 19249.1
1 21539.239415 21711.9
29 15077.077324 15321.1
8 28477.482744 28155.0
3 15073.999588 13166.2由预测值和实际值对比可以看出，有的预测值和实际值相差比较大，但总体上来说预测值与实际值比较接近，也就一定程度上说明了这个模型的可用性。
化为线性的非线性实例模型假设：
由Cobb-Dauglas生产函数Y = A K β 1 L β 2 Y=AK^{\beta1}L^{\beta2}Y=AKβ1Lβ2，A代表既定的工程技术水平，β 1 \beta_1β1、β 2 \beta_2β2分别为资本与劳动投入的产出弹性，当β 1 + β 2 = 1 时 \beta_1+\beta_2=1时β1+β2=1时，当大于1或小于1时，表明规模收益递增或递减。为了便于比较，下面将会对此模型进行线性变换，即假设2010年中国制造业各行业的总产出及要素投入的关系为：
Y = β 0 + β 1 log K + β 2 log L + μ Y=\beta_0+\beta_1\log K+\beta_2\log L+\muY=β0+β1logK+β2logL+μ
data2 = pd.read_excel(r'./计量经济学数据.xlsx', sheet_name='Sheet2')
fit2 = sm.formula.ols(formula='np.log(工业总产值) ~ np.log(资本投入) + np.log(年均从业人员)', data=data2).fit()
sns.pairplot(data2.loc[:, ['工业总产值', '资本投入', '年均从业人员']])
print(fit2.summary())
plt.show()
OLS Regression Results
==============================================================================
Dep. Variable: np.log(工业总产值) R-squared: 0.941
Model: OLS Adj. R-squared: 0.938
Method: Least Squares F-statistic: 286.3
Date: Sun, 26 May 2019 Prob (F-statistic): 7.86e-23
Time: 13:43:42 Log-Likelihood: -12.793
No. Observations: 39 AIC: 31.59
Df Residuals: 36 BIC: 36.58
Df Model: 2
Covariance Type: nonrobust
==================================================================================
coef std err t P>|t| [0.025 0.975]
----------------------------------------------------------------------------------
Intercept 1.8003 0.401 4.493 0.000 0.988 2.613
np.log(资本投入) 0.6778 0.081 8.344 0.000 0.513 0.843
np.log(年均从业人员) 0.2911 0.086 3.395 0.002 0.117 0.465
==============================================================================
Omnibus: 37.173 Durbin-Watson: 1.263
Prob(Omnibus): 0.000 Jarque-Bera (JB): 165.957
Skew: -2.018 Prob(JB): 9.18e-37
Kurtosis: 12.264 Cond. No. 75.3
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
模型检验：
H 0 : β j = 0 H_0:\beta_j=0H0:βj=0
H 1 : β j H_1:\beta_jH1:βj不全部为零
拟合优度检验:
从回归估计来看,模型拟合较好，可决系数R 2 = 0.941. R^{2}=0.941.R2=0.941.
F检验:
F值为286.3，查表得F α ( k , n − k − 1 ) = 3.26 F_{\alpha}(k,n-k-1)=3.26Fα(k,n−k−1)=3.26，其中k = 2 k=2k=2，n = 39 n=39n=39，显然有F > F α ( k , n − k − 1 ) F>F_{\alpha}(k,n-k-1)F>Fα(k,n−k−1)，表明模型的线性关系在5%的显著水平下显著成立.所以拒绝原假设。
t检验:
∣ t 1 ∣ = 8.344 , ∣ t 2 ∣ = 3.395 , t α / 2 ( n − k − 1 ) = 2.036 \left|t_1\right|=8.344,\left|t_2\right|=3.395,t_{\alpha/2}(n-k-1)=2.036∣t1∣=8.344,∣t2∣=3.395,tα/2(n−k−1)=2.036
由于∣ t ∣ > t α / 2 ( n − k − 1 ) \left|t\right|>t_{\alpha/2}(n-k-1)∣t∣>tα/2(n−k−1)，所以拒绝零假设.
综上可得2010年中国制造业各行业的总产出及要素投入的关系为：Y = 1.8003 + 0.6778 log K + 0.2911 log L ， 0.6778 + 0.2911 = 0.9689 Y=1.8003+0.6778\log K+0.2911\log L，0.6778+0.2911=0.9689Y=1.8003+0.6778logK+0.2911logL，0.6778+0.2911=0.9689，以上结果表明，在2010年，中国工业总产出关于资本投入的产出弹性为0.6778，表明当其他因素不变时，工业的资本每增加1%，总产出将增加0.6778%，同样地，当其他因素不变时，劳动力投入每增长1%，总产出将增加0.2911%，可见，资本投入的增加对工业总产出的增长起到了更大的作用。
虚拟变量问题在一些数据中，通常会有一些变量无法通过量化来进行处理，但是这些变量往往对模型结果产生较大的影响，所以，这类因素是无法被丢弃的，因此引入了“虚拟变量”，又叫做哑变量，来进行“量化处理”。下面我们将会以城镇居民为基准线对2013年中国农村与城镇居民家庭人均工资收入、其他收入和生活消费支出进行模型建立。
假设模型为：
Y = α 0 + α 1 X 1 + α 2 X 2 + C Y=\alpha_0+\alpha_1X_1+\alpha_2X_2+CY=α0+α1X1+α2X2+C
data3 = pd.read_excel(r'./计量经济学数据.xlsx', sheet_name='Sheet3')
fit3 = sm.formula.ols(formula='生活消费 ~ 工资收入 + 其他收入 + C(农村or城镇)', data=data3).fit()
print(fit3.summary())
OLS Regression Results
==============================================================================
Dep. Variable: 生活消费 R-squared: 0.975
Model: OLS Adj. R-squared: 0.974
Method: Least Squares F-statistic: 758.1
Date: Sun, 26 May 2019 Prob (F-statistic): 1.81e-46
Time: 13:43:42 Log-Likelihood: -513.02
No. Observations: 62 AIC: 1034.
Df Residuals: 58 BIC: 1043.
Df Model: 3
Covariance Type: nonrobust
=====================================================================================
coef std err t P>|t| [0.025 0.975]
-------------------------------------------------------------------------------------
Intercept 1783.7377 345.728 5.159 0.000 1091.687 2475.788
C(农村or城镇)[T.城镇居民] 140.8608 483.598 0.291 0.772 -827.166 1108.888
工资收入 0.5477 0.039 13.978 0.000 0.469 0.626
其他收入 0.5589 0.073 7.666 0.000 0.413 0.705
==============================================================================
Omnibus: 0.360 Durbin-Watson: 1.733
Prob(Omnibus): 0.835 Jarque-Bera (JB): 0.086
Skew: 0.082 Prob(JB): 0.958
Kurtosis: 3.079 Cond. No. 6.19e+04
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 6.19e+04. This might indicate that there are
strong multicollinearity or other numerical problems.模型检验：
H 0 : β j = 0 H_0:\beta_j=0H0:βj=0
H 1 : β j H_1:\beta_jH1:βj不全部为零
拟合优度检验:
从回归估计来看,模型拟合较好，可决系数R 2 = 0.975. R^{2}=0.975.R2=0.975.
F检验:
F值为758.1，查表得F α ( k , n − k − 1 ) = 4.16 F_{\alpha}(k,n-k-1)=4.16Fα(k,n−k−1)=4.16，其中k=3，n=62，显然有F > F α ( k , n − k − 1 ) F>F_{\alpha}(k,n-k-1)F>Fα(k,n−k−1)，表明模型的线性关系在5%的显著水平下显著成立.所以拒绝零假设。
t检验:
∣ t 1 ∣ = 0.291 , ∣ t 2 ∣ = 13.978 , , ∣ t 3 ∣ = 7.666 ， t α / 2 ( n − k − 1 ) = 2.010 \left|t_1\right|=0.291,\left|t_2\right|=13.978,,\left|t_3\right|=7.666，t_{\alpha/2}(n-k-1)=2.010∣t1∣=0.291,∣t2∣=13.978,,∣t3∣=7.666，tα/2(n−k−1)=2.010
由 于 ∣ t ∣ > t α / 2 ( n − k − 1 ) 由于\left|t\right|>t_{\alpha/2}(n-k-1)由于∣t∣>tα/2(n−k−1)，所以拒绝零假设.
综上可得2013年中国农村与城镇居民家庭人均工资收入、其他收入和生活消费支出的关系为：
Y = 1783.7377 + 0.5477 X 1 + 0.5589 X 2 + 140.8608 Y=1783.7377+0.5477X_1+0.5589X_2+140.8608Y=1783.7377+0.5477X1+0.5589X2+140.8608城镇居民，
以上结果表明，当其他因素不变时，中国城镇居民平均消费支出比农村居民平均消费水平多140.8608元。
受约束回归在建立回归模型时，有时根据经济理论需要对自变量之间的关系进行约束，比如两个回归系数β 1 \beta_1β1和β 2 \beta_2β2之间的约束条件使得β 1 + β 2 = 1 \beta_1+\beta_2=1β1+β2=1或者使得β 1 = β 2 \beta_1=\beta_2β1=β2，此时称为此回归模型为受约束回归。
首先建立无约束回归模型
即：l n ( Q ) = β 0 + β 1 l n ( X / P 0 ) + β 2 ( P 1 / P ) + β 3 ( P 2 / P ) + β 4 P 01 + β 5 P 02 + β 6 P 03 ln(Q)=\beta_0+\beta_1ln(X/P_0)+\beta_2(P_1/P)+\beta_3(P_2/P)+\beta_4P_{01}+\beta_5P_{02}+\beta_6P_{03}ln(Q)=β0+β1ln(X/P0)+β2(P1/P)+β3(P2/P)+β4P01+β5P02+β6P03
import statsmodels.api as sm
data4 = pd.read_excel(r'./计量经济学数据.xlsx', sheet_name='Sheet4')
Q = data4["蛋类消费量Q(千克)"]
X = data4["人均消费支出X(元)"]
P0 = data4["居民消费价格指数P0"]
P = data4["蛋类P(价格指数)"]
P1 = data4["肉禽类P1(价格指数)"]
P2 = data4["水产类P2(价格指数)"]
P01 = data4["粮食P3(价格指数)"]
P02 = data4["油脂P4(价格指数)"]
P03 = data4["蔬菜P5(价格指数)"]
df = pd.DataFrame({"log(X/P0)":np.log(X/P0),
"P1/P":P1/P,
"P2/P":P2/P,
"P01":P01,
"P02":P02,
"P03":P03},)
df = sm.add_constant(df)
fit = sm.OLS(np.log(Q),df).fit()
print(fit.summary())
Dep. Variable: 蛋类消费量Q(千克) R-squared: 0.527
Model: OLS Adj. R-squared: 0.409
Method: Least Squares F-statistic: 4.462
Date: Tue, 05 Jan 2021 Prob (F-statistic): 0.00361
Time: 18:00:28 Log-Likelihood: -19.335
No. Observations: 31 AIC: 52.67
Df Residuals: 24 BIC: 62.71
Df Model: 6
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const -11.1535 12.746 -0.875 0.390 -37.461 15.154
log(X/P0) 1.3283 0.326 4.078 0.000 0.656 2.001
P1/P -1.4528 4.210 -0.345 0.733 -10.141 7.235
P2/P 5.1265 2.281 2.248 0.034 0.419 9.834
P01 0.0150 0.077 0.196 0.846 -0.144 0.174
P02 0.0051 0.076 0.068 0.946 -0.151 0.161
P03 0.0101 0.033 0.310 0.759 -0.057 0.078
==============================================================================
Omnibus: 0.203 Durbin-Watson: 1.391
Prob(Omnibus): 0.904 Jarque-Bera (JB): 0.405
Skew: -0.094 Prob(JB): 0.817
Kurtosis: 2.473 Cond. No. 2.63e+04
==============================================================================
Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 2.63e+04. This might indicate that there are
strong multicollinearity or other numerical problems.模型检验：
H 0 : β j = 0 H_0:\beta_j=0H0:βj=0
H 1 : β j H_1:\beta_jH1:βj不全部为零
拟合优度检验:
从回归估计来看，调整的可决系数R 2 = 0.409 R^{2}=0.409R2=0.409，但是此回归结果并不作为预测模型来进行预测，所以可以不必过分关注可决系数.
F检验:
F值为 4.641，P = 0.00290 P=0.00290P=0.00290，表明模型的线性关系在5%的显著水平下显著成立，所以拒绝零假设。
t检验:
以上结果除变量log(X/P0) 和P2/P在5%的显著水平下拒绝原假设，其他变量均无法通过t检验，在其他条件不变的情况下，农村人均消费支出会明显增加蛋类消费量，同时，当水产类价格上升速度大于蛋类产品时，会刺激农村消费者倾向于消费更多的蛋类产品，即在农村消费者的消费倾向中，水产品类与蛋类产品有一定的替代作用。
建立受约束回归模型
约束条件为H 0 : β 2 = β 4 = β 5 = β 6 = 0 H_0:\beta_2=\beta_4=\beta_5=\beta_6=0H0:β2=β4=β5=β6=0，即回归模型为l n ( Q ) = β 0 + β 1 l n ( X / P 0 ) + β 3 ( P 2 / P ) ln(Q)=\beta_0+\beta_1ln(X/P_0)+\beta_3(P2/P)ln(Q)=β0+β1ln(X/P0)+β3(P2/P)
OLS Regression Results
==============================================================================
Dep. Variable: 蛋类消费量Q(千克) R-squared: 0.517
Model: OLS Adj. R-squared: 0.482
Method: Least Squares F-statistic: 14.98
Date: Tue, 05 Jan 2021 Prob (F-statistic): 3.77e-05
Time: 18:12:23 Log-Likelihood: -19.671
No. Observations: 31 AIC: 45.34
Df Residuals: 28 BIC: 49.64
Df Model: 2
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const -8.9767 2.364 -3.797 0.001 -13.819 -4.134
log(X/P0) 1.2843 0.288 4.456 0.000 0.694 1.875
P2/P 4.8805 2.062 2.367 0.025 0.657 9.104
==============================================================================
Omnibus: 0.178 Durbin-Watson: 1.377
Prob(Omnibus): 0.915 Jarque-Bera (JB): 0.313
Skew: -0.156 Prob(JB): 0.855
Kurtosis: 2.619 Cond. No. 152.
==============================================================================
Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.从以上结果可以看出，在约束条件下，线性关系检验(F检验)和回归系数检验(t检验)在5%的显著水平下更加显著，拒绝原假设的理由更加充分，即更加印证了无约束回归所说明的结论。
如果大家在学习中遇到困难，想找一个python学习交流环境，可以加入我们一起学习正在跳转jq.qq.com
有关Python问题都可以给我留言喔
与50位技术专家面对面20年技术见证，附赠技术全景图总结
以上是生活随笔为你收集整理的python经济学函数_有没有python计量经济学的教程？的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇： 取什么名字好听 教你如何给宝宝取名？
- 下一篇： python 如何转换dataframe