python分位数回归模型_GitHub - lei940324/Quantile: 介绍分位数回归,包括分位数Granger因果检验、QVAR及脉冲响应函数...
Introduction
功能介绍
分位数 Granger 因果检验:计算各分位区间 Sup-Wald 统计量。
分位数 VAR 模型估计:自回归分布滞后模型
脉冲响应函数计算
各分位点脉冲图绘制
代码实现原理
使用pyqt5生成 GUI 界面
使用statsmodels进行分位数回归
使用pandas将结果保存在 excel 文件
Display
主窗口界面
主要包括:
工具栏:
导入数据:点击该按钮,选择路径导入数据,如没有导入数据,默认导入测试数据
开始运行:点击后进行分位数 Granger 因果检验,计算 Sup-wald 统计量
终止运行:点击后终止程序
查看数据:点击查看导入数据
初始化:点击后初始化各参数设定
QVAR 估计:点击后进行 QVAR 模型参数设定
区间设定:区间起点、中点、个数设定以及生成区间按钮
注意:个数是点的个数,比如设定 17 个,则会生成 16 个分位区间
例子:
起点=0.1,终点=0.9,个数=2,则会生成区间:[0.1, 0.9]
起点=0.1,终点=0.9,个数=3,则会生成区间:[0.1, 0.5]、[0.5, 0.9]
参数设定
日期:勾选表示第一列为日期序列,在进行计算 wald 统计量时会将其删除;若取消勾选,则不会删除第一列数据
模式设定:代表循环模式,默认模式为单因素对各市场
注意:数据要根据模式进行相应的排序
假定 p=1,q=2,估计方程形式则为:Y=c1+c2Y-1+c3X-1+c4X-2
模式选择
内容说明
数据排序
计算规则描述
单因素对各市场
研究单一因素对各市场的因果关系,比如房价对股票,汇率市场的因果关系
data=[X,Y1,Y2,Y3]
X 对 Y1回归;X 对 Y2回归;X 对 Y3回归
相互影响
研究两因素之间的因果关系,比如房价与股票,汇率市场的相互因果关系
data=[X,Y1,Y2,Y3]
X 对 Y1回归;X 对 Y2回归;X 对 Y3回归;Y1对 X 回归;Y1对 Y2回归;Y1对 Y3回归;.........
多因素对单市场
研究多因素对单个市场的因果关系,比如各情绪对汇率市场的因果关系
data=[X1,X2,X3,Y]
X1对 Y 回归,X2对 Y 回归;X3对 Y 回归
信息准则:表示确定最优滞后阶数所选用的信息准则,包括 AIC 或 BIC 准则
AIC(p, q) = lnS(θ) + (p+q+1)/T
BIC(p, q) = lnS(θ) + (p+q+1)×lnT/(2T)
其中 S(θ)表示分位数非对称绝对值残差和,T 为样本容量,p,q 均为滞后阶数。
滞后估计数:计算最优滞后阶数时,需要分区间计算 AIC/BIC 值,选取该区间最小 AIC/BIC 值所对应的滞后阶数,则为最优滞后阶数。该参数是设定在整个分位区间选择计算的分位点个数,默认选取 30 个点
最大阶数:表示选取的最大滞后阶数,默认选取 5 阶
wald 估计数:计算 wald 统计量时,在分位区间选择计算的分位点个数,默认选取 1000 个点
有效数字:表示保留的小数点位数,默认保留三位小数
输出日志:勾选后输出运行细节.txt文件,默认勾选
估计信息显示:展示运行信息
QVAR 估计界面
工具栏:
开始运行:点击后进行 QVAR 模型估计
绘制脉冲图:点击计算各分位点脉冲响应示意图
导入数据:如需增加控制变量,则需点击该按钮导入控制变量数据集
滞后阶数
p:被解释变量 y 的滞后阶数
q:解释变量 x 的滞后阶数
分位点:默认选取 5 个分位点[0.1, 0.25, 0.5, 0.75, 0.9]
√:点击增加分位点
×:点击减少分位点
注意:最多计算 10 个分位点
控制变量:加入控制变量的回归公式
信息显示:显示提示信息
Usage
第一步:在当前路径下的命令行输入:
python main.py
提示:在当前文件夹中,右键点击 cmd 或者 shell 打开命令行
第二步:点击导入数据按钮
输入成功的话,会有导入成功的提示
第三步:设定各参数
第四步:点击开始运行按钮,等待程序运行结束,结果保存在运行结果文件夹下的Granger.xlsx文件内
注:***、**、* 分别代表 1%、5%、10% 显著水平
项目目录
|-- Quantile
|-- beauty_UI.py // 美化 GUI 界面代码
|-- func.py // 主函数代码,定义分位数 Granger 因果检验计算
|-- main.py // 主程序
|-- README.md // 说明文件
|-- data // 数据保存文件夹
| |-- output.xlsx // 测试产生的结果文件
| |-- Sup_wald_lag.xlsx // 检验 Sup_wald 显著性文件
| |-- 测试数据.xlsx // 可以使用该文件进行测试,查看结果
| |-- 运行细节.txt // 测试日志
|-- pyqt5 界面 // 使用 Qt Creator 建立窗口产生的文件
| |-- GUI // 主窗口
| |-- child_GUI // 子窗口
|-- 运行结果 // 运行结果存储文件夹
代码主体为main.py与func.py文件
估计原理
使用函数介绍
使用statsmodels库进行分位数回归命令:
使用 R 型公式来拟合模型
formula
说明
示例
~
分隔符,左边为响应变量,右边为解释变量
y ~ x
+
添加变量
y ~ x1 + x2
-
移除变量
y ~ x - 1(移除截距)
参数命令
属性
说明
方法
说明
res.params
获取估计参数值
res.summary()
展示估计结果
res.bse
获取标准差
res.cov_params()
获取协方差矩阵
res.resid
获取残差
res.f_test("x2 = 0")
Wald 检验
分位数 Granger 因果检验实现原理
Development Tool
工具名
功能
图标 icon
官网下载
Qt Creator
GUI 界面可视化
PyCharm
代码编辑器
Visual Studio Code
代码阅读器
reference
书籍:
《Python Qt GUI 与数据可视化编程》
《陈强高级计量经济学》
文献:
Koenker & Machado1999 Inference QuantileReg
Asymmetric Least Squares Estimation and Testing
Tests-for-Parameter-Instability-and-Structural-Change-With-Unknown-Change-Point
房地产价格与汇率的联动关系研究———基于分位数 Granger 因果检验法
基于分位数 Granger 因果的网络情绪与股市收益关系研究
其他:
Eviews 8 帮助文件
张晓峒分位数回归讲义
License
MIT © 热心市民石头
python分位数回归模型_GitHub - lei940324/Quantile: 介绍分位数回归,包括分位数Granger因果检验、QVAR及脉冲响应函数...相关推荐
- R语言使用caret包构建岭回归模型(Ridge Regression )构建回归模型、通过method参数指定算法名称、通过trainControl函数控制训练过程
R语言使用caret包构建岭回归模型(Ridge Regression )构建回归模型.通过method参数指定算法名称.通过trainControl函数控制训练过程 目录
- R语言回归模型构建、回归模型基本假设(正态性、线性、独立性、方差齐性)、回归模型诊断、car包诊断回归模型、特殊观察样本分析、数据变换、模型比较、特征筛选、交叉验证、预测变量相对重要度
R语言回归模型构建.回归模型基本假设(正态性.线性.独立性.方差齐性).回归模型诊断.car包诊断回归模型.特殊观察样本分析.数据变换.模型比较.特征筛选.交叉验证.预测变量相对重要度 目录
- R语言使用xgboost构建回归模型:vtreat包为xgboost回归模型进行数据预处理(缺失值填充、缺失值标识、离散变量独热onehot编码)、构建出生体重的xgboost模型回归模型
R语言使用xgboost构建回归模型:vtreat包为xgboost回归模型进行数据预处理(缺失值填充.缺失值标识.离散变量独热onehot编码).构建出生体重的xgboost模型回归模型 目录
- R语言基于lm模型构建线性回归模型(蟋蟀的鸣叫声与温度的关系)、计算回归模型的RMSE指标、计算回归模型的R方指标(R-squared)
R语言基于lm模型构建线性回归模型(蟋蟀的鸣叫声与温度的关系).计算回归模型的RMSE指标.计算回归模型的R方指标(R-squared) 目录
- R语言使用lm函数拟合回归模型(简单线性回归、一元回归、simple regression)、并解读拟合模型
R语言使用lm函数拟合回归模型(简单线性回归.一元回归.simple regression).并解读拟合模型 目录
- 做面板数据分位数回归模型_面板数据门限回归模型
来源 | 数量经济学综合整理 转载请联系 进行回归分析,一般需要研究系数的估计值是否稳定.很多经济变量都存在结构突变问题,使用普通回归的做法就是确定结构突变点,进行分段回归.这就像我们高中学习的分段函 ...
- 学习机器学习四 回归模型——线性回归、L1正则化(Lasso回归)、L2正则化(ridge回归)
还记得什么是回归吗?回忆下回归就是连续的输出,分类是离散的. 回归模型一般分为:①线性回归--就是线性方程,类似为一元一次方程(y=wx+b),比如你的年龄: ②逻辑回归(类似为曲线方程) 线性回归 ...
- Stata广义矩量法GMM面板向量自回归PVAR模型选择、估计、Granger因果检验分析投资、收入和消费数据
最近我们被客户要求撰写关于广义矩量法GMM的研究报告,包括一些图形和统计输出. 摘要 面板向量自回归(VAR)模型在应用研究中的应用越来越多.虽然专门用于估计时间序列VAR模型的程序通常作为标准功能包 ...
- mysql 做回归模型_GitHub - themycode/intelligent-test-platform: intelligent-test-platform
概述 Markov(阿里妈妈功能测试平台)是在测试转型大背景下自研的新一代功能测试平台,相较于传统的功能测试框架具有着诸多的优点,比如可视化用例编写管理.分布式的沙盒环境和测试数据构建.测试流程pip ...
最新文章
- 初步了解Linux内核中断初始化
- 定义国际贸易术语(Incoterms)
- 三星CEO承认:可折叠智能手机Galaxy Fold开卖得太着急
- dataframe基本函数
- Ubuntu 18.04 8T硬盘挂载
- SCJP刷题学习笔记(Part six)
- U8系统UFO报表无法打印
- 利用信息差赚美金?对!你没看错!
- 淘宝用户行为数据分析详解
- (CVPR 2020) PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation
- Android 渠道抽成,内容为主,渠道为辅,国内Android商店何时才能调整分成比?
- 相似矩阵和相似对角化
- 【学习记录】使用多协程和队列,爬取时光网电视剧TOP100的数据
- C语言将CSR存储模式转为coo,spmv_csr 稀疏矩阵的DIA/ELLPACK/COO/CSR/HYB表示形式 - 下载 - 搜珍网...
- 【List、Set】学习笔记
- iOS视频 压缩过程 AVAssetExportSessionStatusFailed 文件创建失败
- Decorator装饰者【C++实现】
- MII和mii-tool
- Laravel引入phpoffice/phpword替换Word文件内容
- soso地图api接口poi检索示例----并在信息框显示经纬度