기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

회귀계수에 대한 F 검정

단변수에 대한 회귀검정
회귀 모형에서 독립변수 각각의 효과를 검정합니다.
2 단계로 이루어 집니다.
1) 독립변수와 관찰치 사이의 상관을 계산
$$\frac{(x-\ba x)(y-\bar y)}{\sigma_x \sigma_y}$$
2) F score 즉, F 값과 대응되는 p value를 계산한다.

F 검정은 정규분포를 따르는 모집단에서 분류된 집단의 분산이 동일하고 각 집단의 평균이 같다고 가정한다. 
H0: 각 그룹의 분산은 같다.
회귀계수의 검정에서 각 변수는 그 회귀계수가 0일 경우 즉, 반응변수의 평균과의 잔차에 대한 분포와 독립변수가 사용될 때 추정치와의 잔차의 분포를 비교합니다. 

다음의 독립변수(ind)와 반응변수(de)에 대해 F 검정의 결과는 regression_f() 메소드를 적용합니다. 이 메소드는 sklearn.feature_selection클래스 메소드입니다.

>>> from sklearn import feature_selection
>>> ind
array([[ 17550.,  17580.,  17345.],
       [ 17550.,  17750.,  17400.],
       [ 17610.,  17955.,  17530.],
       [ 17890.,  17905.,  17370.],
       [ 17445.,  17470.,  17135.],
       [ 17365.,  17445.,  17230.],
       [ 17395.,  17425.,  17225.],
       [ 17400.,  17405.,  17205.],
       [ 17300.,  17555.,  17215.],
       [ 17575.,  18010.,  17550.],
       [ 17710.,  17785.,  17455.],
       [ 17580.,  17630.,  17485.],
       [ 17685.,  17885.,  17500.],
       [ 17500.,  17670.,  17490.],
       [ 17430.,  17485.,  16840.]])

>>> de
array([17750, 17875, 17370, 17265, 17335, 17380, 17250, 17500, 17610,
       17520, 17585, 17585, 17520, 16840, 16985], dtype=int64)

>>> feature_selection.f_regression(ind, de)
(array([ 0.12716965,  0.36784891,  1.48167167]),
 array([ 0.72710626,  0.55462331,  0.24514876]))
위 결과에서 위의 값들은 F value이고 아래 값들은 각 변수의 p value이다. 이 결과에 의하면 각 변수들이 반응변수과의 상관에서 생성되는 분포의 분산의 차이는 없다고 할 수 있습니다.
그러나 이 분포는 모집단이 정규분포를 따른다는 가정위에서 성립됩니다. 또한 위 데이터의 샘플수가 작기 때문에 모집단에서 일부를 추출하여 표분평균을 계산하는 과정으로 반복하여 샘플수를 증가시켜 보면 다음과 같습니다.

>>> da=np.c_[ind, de]
       smp=np.random.choice(len(da), size=5)
       nda=np.mean(da[smp,:], axis=0).reshape(1, 4)
       for i in range(3001):
         smp=np.random.choice(len(da), 5)
         nda1=np.mean(da[smp, :], axis=0).reshape(1, 4)
         nda=np.r_[nda, nda1]

nda
Out[140]:
array([[ 17603.,  17748.,  17362.,  17409.],
       [ 17544.,  17640.,  17410.,  17558.],
       [ 17514.,  17762.,  17400.,  17504.],
       ...,
       [ 17477.,  17570.,  17308.,  17494.],
       [ 17592.,  17790.,  17398.,  17473.],
       [ 17580.,  17661.,  17317.,  17349.]])

>>> len(nda)
3003

>>> feature_selection.f_regression(nda[:,:3], nda[:,3])
(array([  50.61216817,  109.83841674,  365.41579061]),
 array([  1.40143913e-12,   2.88718268e-25,   5.84373864e-77]))

위 결과는 각 변수는 다른 분산을 가지므로 변수 모두가 효과가 있음을 나타냅니다.

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...