statsmodels中fit_constrained()约束OLS/WLS系数为正的语法咨询
GLM拟合带系数正约束的fit_constrained()正确调用方式
你用sm.GLM(y, X, w=weight)的形式本质就是加权最小二乘,要实现指定2个自变量系数为正的约束,直接按以下两种场景的语法调用即可:
场景1:X为pandas DataFrame(带明确列名)
直接用约束表达式传入,无需手动构造约束矩阵,是最不容易出错的方式:
替换示例里的
var1、var4为你实际需要约束的两个变量的列名
import statsmodels.api as sm # 先初始化基础模型 model = sm.GLM(y, X, w=weight) # 带正约束拟合 result = model.fit_constrained(constraints=['var1 >= 0', 'var4 >= 0'])
场景2:X为numpy数组(无列名,靠索引区分变量)
需要手动构造线性约束矩阵,约束的通用逻辑为 R @ β >= q,其中β是回归系数向量,R为约束矩阵,q为阈值数组:
先确认要约束的两个系数在
β中的索引:如果X未加截距,索引和X的列索引一致;如果X用sm.add_constant()加了截距,β[0]为截距系数,后续才是自变量系数
import numpy as np # 替换为你实际要约束的两个系数的索引 target_coef_idx = [2, 5] # 自动获取总系数长度,避免手动计数出错 n_params = len(model.start_params) # 构造约束矩阵R R = np.zeros((len(target_coef_idx), n_params)) for row, coef_idx in enumerate(target_coef_idx): R[row, coef_idx] = 1 # 约束阈值为0,即要求对应系数>=0 q = np.zeros(len(target_coef_idx)) # 调用拟合,不等式约束需封装为{'ineq': (R, q)}格式传入 result = model.fit_constrained(constraints={'ineq': (R, q)})
补充说明
- 基础模型的权重设置会被fit_constrained完全沿用,不需要额外调整权重参数
- 如果需要同时添加等式约束(比如固定某个系数为1),可以在constraints字典里同时加
eq键,格式为{'eq': (A_eq, b_eq), 'ineq': (R, q)},其中A_eq @ β = b_eq为等式约束逻辑
内容的提问来源于stack exchange,提问作者wj wj
相关产品推荐
相关产品推荐

