Path: blob/main/Trabajo_grupal/WG4/Grupo_8_jupyter_py.ipynb
2714 views
Kernel: Python 3 (ipykernel)
In [8]:
import numpy as np import pandas as pd import os import scipy.stats as stats from scipy.stats import t #Creamos la clase class OLSRegClass(object): def __init__(self, x:pd.DataFrame, y:pd.Series, lista, RobustStandardError=True): #x:pd.DataFrame nos indica que debe ser un DataFrame #y:pd.Series nos indica que debe ser una serie #Condicional para el x:pd.DataFrame if not isinstance(x, pd.DataFrame): raise TypeError("x debe ser pd.DataFrame.") #Condicional para el y:pd.Series if not isinstance(y, pd.Series): raise TypeError("y debe ser pd.Series.") #Condicional para el y:pd.Series if not isinstance(lista, pd.Series): raise TypeError("lista debe ser pd.Series") #Ahora asignamos atributos de la clase try: self.x = x.loc[:, lista] except: self.x = x.iloc[:, lista] self.y = y self.RobustStandarError = RobustStandarError #Ahora incluimos una columna de unos para el intercepto self.x['Intercept'] = 1 #para que la columna intercept aparezca en la primera columna: col = self.x.columns.tolist() #esto convierte el nombre de las columnas a lista new_col_orders = [col[-1]] + col[0:-1] #esto mueve la última columna(intercept) al inicio, para ello se ordena primero col[-1] y luego col[0:-1] #usamos .loc para filtrar por nombre de filas o columnas self.x = self.x.loc[ :, new_col_orders] #Creamos nuevos atributos: #para pasar de dataframe a multi array: self.x_np = self.x.values #para pasar de objeto serie a array columna: self.y_np = y.values.reshape(-1,1) #nombramos a la base de datos como objeto lista: self.columns = self.x.columns.tolist() #METODO 1 def beta_OLS_Reg( self ): x_np = self.x_np y_np = self.y_np beta_ols = np.linalg.inv(x_np.T@x_np) @ (x_np.T@y_np) #Hay que asignar al output de la función def beta_OLS(self): como atributo self.beta_Ols index_names = self.columns beta_OLS_output = pd.DataFrame(beta_ols, index = index_names, columns = ['Coef.']) self.beta_OLS = beta_OLS_output return beta_OLS_output #METODO 2 def var_errorest_interv(self): ####Matriz de varianza y covarianza estándar#### #corremos la función beta_OLS self.beta_OLS_Reg() X_np = self.X_np y_np = self.y_np #Beta_OLS beta_OLS = self.beta_OLS.values.reshape( -1, 1) #Pasamos de dataframe a un vector columna #errores e= y_np - (X_np @ beta_OLS) # N= X_np.shape [0] parametros_totales = X_np.shape [1] error_var = ( (e.T @ e)[0])/(N- parametros_totales) #Varianza estandar var_OLS = error_var * np.linalg.inv( X_np.T @ X_np) #asignaremos output index_names = self.columns var_OLS_output = pd.DataFrame(var_OLS, index=index_names, columns=index_names) self.var_OLS = var_OLS_output ####ERRORES ESTANDAR#### #beta y var beta_OLS= self.beta_OLS.values.reshape (-1,1) var_OLS= self.var_OLS.values #errores estandar beta_errores= np.sqrt(np.diag(var_OLS)) tabla_data_1= { "Std.Err.": beta_errores.ravel()} #definimos index names index_names0=self.columns #definimos un pandas dataframe self.beta_se= pd.DataFrame(tabla_data_1, index= index_names0) ####INTERVALOS DE CONFIANZA#### up_bd = beta_OLS.ravel() + 1.96*beta_errores lw_bd = beta_OLS.ravel() - 1.96*beta_errores tabla_data_2 ={"[0.025" : lw_bd.ravel(), "0.975]" : up_bd.ravel() } # definiendo index names index_names1 = self.columns # defining a pandas dataframe self.intervalo_confianza= pd.DataFrame(tabla_data_2, index = index_names1) #METODO 3 def robust_var_se_cfdinterval(self): # Función beta OLS para estimar el vector de coeficientes self.beta_OLS_Reg() #atributos X_np = self. X_np Y_np= self.Y_np ####VAR ROBUSTA#### #matriz propuesta de White y_est= X_np @ self.beta_OLS matrix_robusta = np.diag(list ( map( lambda x: x**2, Y_np - y_est.values ))) self.varianza_robusta= np.linalg.inv(X_np.T @ X_np) @ X_np.T @ matrix_robusta @ X_np @ np.linalg.inv(X_np.T @ X_np) #METODO 4 def R2_raizMSE( self ) : # Se corre la función beta OLS Reg self. beta_OLS_Reg() self.y_est = self.X_np @ self.beta_OLS error = self.y_np - self.y_est self.SCR = np. sum(np.square (error)) SCT= np. sum(np.square (self.y_np - np.mean (self.y_est) )) self.R2 = 1 - self.SCR/SCT for i in error. values: suma = 0 suma = np.sqrt( suma + (i**2) / self. X_np. shape [0] ) self.rootMSE = suma. tolist() #metodo 5########### def output(self): self.beta_OLS_Reg() self.R2_raizMSE() self.var_errorest_interv() #var y beta beta_OLS = self.beta_OLS.values.reshape(-1,1) var_OLS = self.var_OLS.values #Errores estandar beta_errores = np.sqrt(np.diag(var_OLS)) #Intervalo de confianza up_bd = beta_OLS.ravel() + 1.96*beta_errores lw_bd = beta_OLS.ravel() - 1.96*beta_errores tabla_data_3 = {'Coeficientes': beta_OLS.ravel(), 'Error estandar' :beta_errores.ravel(), '[0.025': lw_bd.ravel(), '0.975]': up_bd.ravel(), 'R2': self.R2, 'rootMSE' : self.rootMSE} return tabla_data_3
In [ ]: