如何运行无预测变量的回归？仅含常数项误差项的代码调试

问题原因 #

你调用sm.add_constant()时未传入基准数组，无法生成和因变量y长度匹配的常数项自变量矩阵，因此代码运行报错。仅含常数项的回归需要给OLS的第二个参数传入长度和y一致的全1数组作为自变量。

修正代码 #

写法1：直接生成全1自变量数组 #

import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt

y = np.random.normal(size=50)
# 直接传入全1数组作为仅含常数项的自变量
model = sm.OLS(y, np.ones(len(y)), missing='drop').fit()
# 输出拟合结果
print(model.summary())

写法2：使用sm.add_constant生成自变量（符合statsmodels常规使用逻辑） #

import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt

y = np.random.normal(size=50)
# 传入空的二维数组，让add_constant生成仅含常数项的自变量矩阵
exog = sm.add_constant(np.empty((len(y), 0)))
model = sm.OLS(y, exog, missing='drop').fit()
print(model.summary())

结果说明 #

两种写法得到的拟合结果完全一致，输出中的系数项就是你要的常数项a。由于示例中y是标准正态分布生成的，a的估计值会非常接近0。

内容的提问来源于stack exchange，提问作者Peter_Warren