博文【FM】因子模型的计算代码（python），对于多重线性回归模型$y=X\beta+\varepsilon$而言，要求回归误差项满足正态分布假设，由正态分布的线性性质可以知道，因变量也需要满足正态性假设，一般正态性假设有两种方法：1.定性的图像法 2.定量的非参数检验（KS检验和Shapiro检验）

主要介绍了利用Python计算KS的实例详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

本文实例讲述了Python基于Logistic回归建模计算某银行在降低贷款拖欠率的数据。分享给大家供大家参考，具体如下： 一、Logistic回归模型：   二、Logistic回归建模步骤 1.根据分析目的设置指标变量（因变量和自变量），根据收集到的数据进行筛选 2.用ln(p/1-p)和自变量x1…xp列出线性回归方程，估计出模型中的回归系数 3.进行模型检验。模型有效性检验的函数有很多，比如正确率、混淆矩阵、ROC曲线、KS值 4.模型应用。 三、对某银行在降低贷款拖欠率的数据进行建模

在金融领域中，我们的y值和预测得到的违约概率刚好是两个分布未知的两个分布。好的信用风控模型一般从准确性、稳定性和可解释性来评估模型。 一般来说。好人样本的分布同坏人样本的分布应该是有很大不同的，KS正好是有效性指标中的区分能力指标：KS用于模型风险区分能力进行评估，KS指标衡量的是好坏样本累计分布之间的差值。 好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。 1、crosstab实现，计算ks的核心就是好坏人的累积概率分布，我们采用pandas.crosstab函数来计算累积概率