如何在Python的statsmodels中为y=b0+b1x1+(1-b1)x2+b2x3手动声明OLS系数？

你可以通过两种方式实现这个带系数约束的OLS回归，下面是具体操作：

方法1：变量转换（最简单直接） #

先把原方程变形为无约束形式，避免手动声明系数结构：

y = b0 + b1x1 + (1 - b1)x2 + b2x3
整理后：*y - x2 = b0 + b1(x1 - x2) + b2x3**

这样就转化成了标准OLS模型，直接构造新变量拟合即可：

import statsmodels.api as sm
import numpy as np
import pandas as pd

# 构造模拟数据（替换成你的真实数据即可）
np.random.seed(42)
n = 100
x1 = np.random.randn(n)
x2 = np.random.randn(n)
x3 = np.random.randn(n)
# 真实参数：b0=2, b1=0.5, b2=1.2
y = 2 + 0.5*x1 + (1-0.5)*x2 + 1.2*x3 + np.random.randn(n)*0.1

# 构造转换后的变量
y_transformed = y - x2
x_transformed = pd.DataFrame({
    'const': np.ones(n),  # 常数项
    'x1_x2_diff': x1 - x2,
    'x3': x3
})

# 拟合OLS并输出结果
model = sm.OLS(y_transformed, x_transformed)
results = model.fit()
print(results.summary())

# 还原原方程的参数
b0 = results.params['const']
b1 = results.params['x1_x2_diff']
b2 = results.params['x3']
print(f"\n原方程参数：")
print(f"b0 = {b0:.4f}")
print(f"b1 = {b1:.4f}")
print(f"(1 - b1) = {1 - b1:.4f}")
print(f"b2 = {b2:.4f}")

方法2：直接声明系数约束 #

如果不想转换变量，可以直接给OLS模型添加约束条件。原方程中x2的系数等于1 - b1，对应约束规则为x1的系数 + x2的系数 = 1，用statsmodels的fit(constraints)参数实现：

import statsmodels.api as sm
import numpy as np
import pandas as pd

# 同样用模拟数据（替换成你的真实数据）
np.random.seed(42)
n = 100
x1 = np.random.randn(n)
x2 = np.random.randn(n)
x3 = np.random.randn(n)
y = 2 + 0.5*x1 + (1-0.5)*x2 + 1.2*x3 + np.random.randn(n)*0.1

# 构造包含常数项的设计矩阵
X = sm.add_constant(pd.DataFrame({'x1': x1, 'x2': x2, 'x3': x3}))

# 定义约束条件：x1的系数 + x2的系数 = 1
constraints = 'x1 + x2 = 1'

# 拟合带约束的OLS
model = sm.OLS(y, X)
results = model.fit(constraints=constraints)
print(results.summary())

# 提取原方程参数
b0 = results.params['const']
b1 = results.params['x1']
b2 = results.params['x3']
print(f"\n原方程参数：")
print(f"b0 = {b0:.4f}")
print(f"b1 = {b1:.4f}")
print(f"(1 - b1) = {1 - b1:.4f}")
print(f"b2 = {b2:.4f}")

两种方法各有优劣：方法1无需了解约束语法，上手快；方法2更贴合原方程逻辑，适合复杂约束场景。

内容的提问来源于stack exchange，提问作者karim