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。
( w- b" ~! E2 u. f3 V8 i  \' T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：
/ f" h7 ~* j1 |3 E1 j
  I. \+ x2 O4 w1 \3 O1.导入所需库：

1.    import numpy as np
   5 p7 K9 X6 Q5 S$ C% V
2.    import pandas as pd6 S/ P5 D6 U. U  @; V$ V: @2 C
   
3.    from statsmodels.formula.api import ols

复制代码

2.定义源数据：

1.    dic = {
   ) v% D1 H9 G- q- k- Z% X# }, G
2.        'x1': [7, 1, 11, 11, 7, 11, 3],
   * y5 ^( U5 T. V5 d\" X1 Q9 a; Z
3.        'x2': [26, 29, 56, 31, 52, 55, 71],/ g( N; ]( ~8 X5 H: }0 ~$ `! \
   
4.        'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],% i  W& N$ f* H8 l) c
   
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。
7 c  J3 f- T/ Q0 e% r3 o$ E
4 d' q" D- d% c2 P% H4.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。
: [! w/ a6 g5 ~, j& g' @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。
4 V+ p4 e" X  y" W7 k$ |" c  h& K& p3 E

! A5 N5 \+ ?: q( {$ v