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。
0 Q6 y; v  O2 z# V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：
3 ]% C1 X  j" @2 e
8 x! {1 Q$ H+ e' r- a1.导入所需库：

1.    import numpy as np- E) F+ I8 n# `$ U( @
   
2.    import pandas as pd) Q5 [1 ]8 `! f& U
   
3.    from statsmodels.formula.api import ols

复制代码

2.定义源数据：

1.    dic = {
   ; A' w+ J& V' m4 i; K; ~: w
2.        'x1': [7, 1, 11, 11, 7, 11, 3],
     P! g! t9 N) v7 _* n
3.        'x2': [26, 29, 56, 31, 52, 55, 71],% Q- Q2 P/ W3 v  I- m: T/ |  h
   
4.        'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   $ A2 q% M- L* ~/ o
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。
- y3 ?. f* a" O# {+ x
4.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。
5 h0 j" O( u, W( I- P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。

- R* B) y1 t9 L8 v( G1 d
9 L9 _2 {7 o4 C( W( K7 e4 u