如何在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计量经济回归模型。数据存储在Pandas数据帧中。

如何使用Python进行滞后的时间序列计量分析？我以前使用过Eviews (这是一个独立的计量经济程序，即不是Python包)。要使用Eview估计OLS方程，您可以编写如下内容：

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

注意滞后的、依赖的和滞后的价格条件。使用Python似乎很难处理这些滞后变量，例如使用scikit或状态模型(除非我遗漏了什么)。

一旦我创建了一个模型，我想要执行测试并使用该模型进行预测。

我不感兴趣做ARIMA，指数平滑，或者霍尔特温特斯时间序列预测-我主要感兴趣的是时间序列OLS。

Answer 1

熊猫允许你在不移动索引的情况下移动你的数据

df.shift(-1)

将造成1指数滞后。

或

df.shift(1)

将导致前向延迟1索引。

因此，如果您有一个每日时间序列，您可以使用df.shift(1)在您的价格值中创建一个1天的时差。

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

在此之后，如果您想做OLS，您可以在这里查看枕模块：

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