如何在Python-Pandas回归模型中使用滞后时间序列变量？

Question

我正在创建时间序列经济计量回归模型。数据存储在熊猫数据帧中。

如何使用Python进行滞后时间序列经济计量分析？我以前使用过Eviews（这是一个独立的经济计量程序，即不是Python包）。要使用Eviews估计OLS方程，可以编写如下内容：

equation eq1.ls log(usales) c log(usales(-1)) log(price(-1)) tv_spend radio_spend

请注意滞后依赖和滞后价格条款。这些滞后变量似乎很难使用Python处理，例如使用scikit或statmodels（除非我遗漏了什么）。

一旦我创建了一个模型，我想执行测试并使用该模型进行预测。

我对ARIMA、指数平滑或Holt-Winters时间序列预测不感兴趣，我主要对时间序列OLS感兴趣。

Answer 1

pandas允许您在不移动索引的情况下移动数据

df.shift(-1)

将创建1个索引滞后

或者

df.shift(1)

将创建1个索引的前向延迟

因此，如果你有一个每日时间序列，你可以使用df.shift（1）在你的价格值中创建一个1天的延迟

df['lagprice'] = df['price'].shift(1)

在那之后，如果你想做OLS，你可以在这里查看scipy模块：

http://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.stats.linregress.html