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。
* q! L, m5 C5 A; d8 @3 s8 }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：

1.导入所需库：

1.    import numpy as np
   . B$ ^; a2 ?. E$ F1 m  i, h
2.    import pandas as pd+ u  B8 [6 `3 Z; p4 ~: ^) ]0 f
   
3.    from statsmodels.formula.api import ols

复制代码

2.定义源数据：

1.    dic = {
   + S# u! Y; t+ N: R* E! ?; e, Z
2.        'x1': [7, 1, 11, 11, 7, 11, 3],
   \" @9 y1 @) D0 R
3.        'x2': [26, 29, 56, 31, 52, 55, 71],
   \" K9 W2 D9 C$ n# `. `; s
4.        'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   . S& n! F5 z; P9 A( p
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。
  F& P: ]4 b, b6 g
$ Z8 s/ _; g! Y. V4.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。
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。

, w! l. m$ @" v6 j; ^; T, K) y