使用 statsmodels 进行多元线性回归

2744557306

statsmodels 是一个 Python 库，用于拟合统计模型、进行统计测试和探索数据。它提供了广泛的统计方法和模型，包括线性模型、广义线性模型、时间序列分析、非参数方法等。[size=0.85em]statsmodels 的优点之一是提供了丰富的结果摘要和统计诊断，有助于解释和理解模型的性能。
下面代码利用了 statsmodels 库中的 ols 函数来进行最小二乘拟合，然后输出了模型的摘要信息。让我解释一下：
% D; ^) F8 C2 C" C) f, B/ ]2 t
- c- {6 [* G9 P1.导入所需库：

1.    import numpy as np& X  e+ u1 \0 E7 o\" p
   
2.    import pandas as pd
   5 p1 m5 k  m\" s- O2 b\" o\" @
3.    from statsmodels.formula.api import ols

复制代码

2.定义源数据：

1.    dic = {2 I0 W2 R/ u9 T\" g
   
2.        'x1': [7, 1, 11, 11, 7, 11, 3],
   5 D; h, C' D2 z7 K7 f- H$ J0 r0 q/ \
3.        'x2': [26, 29, 56, 31, 52, 55, 71],. G+ A; X0 M\" g$ e
   
4.        'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   3 P9 Y8 i& q) D$ z/ i& b: ^
5.    }

复制代码

3.建立最小二乘拟合模型：

1.    model = ols('y~x1+x2', dic).fit()

复制代码

使用 ols 函数指定了模型的公式 y~x1+x2，表示因变量 y 与自变量 x1 和 x2 之间的线性关系，并利用源数据 dic 进行了最小二乘拟合。

6 L/ k" t+ R1 C, W% ], i4 F4.输出模型摘要：

1. model.summary()

复制代码

调用 summary() 方法输出了模型的摘要信息，包括参数估计、标准误差、置信区间、显著性检验、拟合优度等。
) v3 }9 \' Y1 ~+ ?" V- w; {/ j通过这段代码，你可以方便地利用 statsmodels 进行统计模型的拟合和分析，并快速获取模型的详细摘要信息。
) i4 @: d0 @8 ]$ I( }3 Z& u
, W( K1 r+ U7 c1 B% @: }, L
2 b* N) l; ]( D- [- H