怎样在Python中实现分位数回归预测区间-Python教程-PHP中文网

直接选statsmodels：它原生支持QuantReg，可拟合任意分位点并输出系数与标准误；sklearn仅通过GradientBoostingRegressor等间接支持分位数损失，无法提供解析式预测区间，灵活性和可解释性较弱。

怎样在python中实现分位数回归预测区间

分位数回归用 `statsmodels` 还是 `sklearn`？

直接选 statsmodels：它原生支持分位数回归（QuantReg），能输出系数、标准误，还能手动构造预测区间；sklearn 的 GradientBoostingRegressor 虽然支持分位数损失（通过 loss="quantile"），但不提供单次拟合的置信带，只能靠多模型集成（如训练多个分位点）来逼近区间，灵活性和可解释性差一截。

关键区别在于：QuantReg 是参数化建模，假设线性关系 + 分位点独立估计；GradientBoostingRegressor 是非参数、树集成，适合复杂非线性，但无法给出解析形式的区间边界。

用 `QuantReg` 构造预测区间的三步实操

核心不是“预测一个值”，而是分别拟合两个分位点（比如 0.05 和 0.95），再把它们的预测结果当作区间的上下界。注意：这不是统计意义上的“90% 预测区间”，而是两个独立分位回归的点估计拼成的区间，不包含残差自相关或异方差校正 —— 想更严谨就得加自助法（bootstrap）。

先用 QuantReg(endog, exog) 分别拟合 q=0.05 和 q=0.95 两个模型
对新数据 X_new，调用 model.predict(X_new) 得到两个数组：y_low 和 y_high
确保 exog 包含常数项（用 sm.add_constant()），否则截距会被忽略，区间会系统性偏移

示例片段：

import statsmodels.api as sm
from statsmodels.regression.quantile_regression import QuantReg
<p>X = sm.add_constant(X_train)  # 必须加常数
mod_low = QuantReg(y_train, X)
res_low = mod_low.fit(q=0.05)</p><p>mod_high = QuantReg(y_train, X)
res_high = mod_high.fit(q=0.95)</p><p>X_new_const = sm.add_constant(X_test)
y_low = res_low.predict(X_new_const)
y_high = res_high.predict(X_new_const)</p>

为什么不能直接用 `get_prediction()` 或 `conf_int()`？

QuantRegResults 对象没有 get_prediction() 方法，也**不提供预测区间（prediction interval）**，只有 conf_int() —— 那只是系数的置信区间，不是对新观测 y 的区间估计。很多人误以为系数 CI 能推出 y 的区间，这是错的：前者反映参数不确定性，后者还依赖残差分布和新样本的随机误差。