如何使用sm.OLS()向线性回归模型添加虚拟/因子变量？

没问题，我来帮你搞定在sm.OLS里加入星期虚拟变量的事儿！这里有两种常用的实用方法，结合你的数据结构给你一步步拆解：

方法1：用pandas的get_dummies()生成虚拟变量 #

这种方法适合习惯手动构建特征矩阵的场景，步骤清晰可控：

import pandas as pd
import statsmodels.api as sm

# 假设你的数据已经存在DataFrame df中（这里用你提供的样本数据示例）
df = pd.DataFrame({
    'Date': ['2013-05-04', '2013-05-05', '2013-05-06', '2013-05-07', 
             '2013-05-08', '2013-05-09', '2013-05-10', '2013-05-11'],
    'A': [25.03, 52.98, 39.93, 47.31, 19.61, 39.51, 21.22, 19.04],
    'B': [88.51, 67.99, 75.19, 86.99, 87.94, 83.10, 62.16, 58.79],
    'weekday': ['Saturday', 'Sunday', 'Monday', 'Tuesday', 
                'Wednesday', 'Thursday', 'Friday', 'Saturday']
})

# 生成星期的虚拟变量，drop_first=True避免多重共线性（自动去掉一个基准类别）
weekday_dummies = pd.get_dummies(df['weekday'], drop_first=True)

# 合并原自变量（A、B）和虚拟变量，再添加截距项（sm.OLS默认不包含截距）
X = pd.concat([df[['A', 'B']], weekday_dummies], axis=1)
X = sm.add_constant(X)

# 替换成你实际的因变量列，这里假设用A作为示例
y = df['A']

# 构建并拟合OLS模型
model = sm.OLS(y, X).fit()

# 查看模型结果
print(model.summary())

小提示：drop_first=True会自动移除第一个出现的类别（这里是Saturday）作为基准组，其他星期变量的系数代表该组与基准组的差异，完美避免了多重共线性问题。

方法2：用statsmodels的C()函数直接处理分类变量 #

如果你喜欢更简洁的公式语法，用smf.ols（公式接口）配合C()函数会更省心，不需要提前生成虚拟变量：

import pandas as pd
import statsmodels.formula.api as smf

# 同样使用你的样本数据df
df = pd.DataFrame({
    'Date': ['2013-05-04', '2013-05-05', '2013-05-06', '2013-05-07', 
             '2013-05-08', '2013-05-09', '2013-05-10', '2013-05-11'],
    'A': [25.03, 52.98, 39.93, 47.31, 19.61, 39.51, 21.22, 19.04],
    'B': [88.51, 67.99, 75.19, 86.99, 87.94, 83.10, 62.16, 58.79],
    'weekday': ['Saturday', 'Sunday', 'Monday', 'Tuesday', 
                'Wednesday', 'Thursday', 'Friday', 'Saturday']
})

# 公式里用C(weekday)标记这是分类变量，statsmodels会自动处理虚拟变量
model = smf.ols(formula='A ~ B + C(weekday)', data=df).fit()

# 查看模型结果
print(model.summary())

进阶技巧：如果你想指定自己的基准类别（比如把Monday作为参考组），可以用Treatment参数：

model = smf.ols(formula='A ~ B + C(weekday, Treatment(reference="Monday"))', data=df).fit()

关键注意事项 #

• 绝对不要把所有星期的虚拟变量都放进模型，这会导致完全多重共线性，模型无法估计参数，两种方法都帮你自动规避了这个问题。
• 基准类别的选择会影响系数的解释，选一个有代表性的类别（比如工作日的周一）会让结果更易解读。

内容的提问来源于stack exchange，提问作者vestland