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：

- P0 {) l3 s3 v- @' h# e( P1.导入所需库：

1.    import numpy as np
   / W; z9 f1 b2 J8 S* ^
2.    import pandas as pd8 _: f( o: g$ {0 n. [( Y) D
   
3.    from statsmodels.formula.api import ols

复制代码

2.定义源数据：

1.    dic = {2 C! L  O* V/ ]7 P* s8 a: i8 w
   
2.        'x1': [7, 1, 11, 11, 7, 11, 3],
   # G% d1 Y  |1 s5 P& G) b
3.        'x2': [26, 29, 56, 31, 52, 55, 71],
   ) s- h3 b\" p! `6 B
4.        'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],4 h& g* v3 ^, F- g/ h
   
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。
) P3 V0 E& F& ^  y# B
2 `9 I" G* f& ~, l4.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。
: u+ x3 s7 X, i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。
! i# f7 q4 \4 ]5 ]
8 K9 M( h2 S8 b- h1 ~; ?/ [