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。
7 L* Q, N7 Y$ ~- w4 h# m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：
5 {$ a* M- F/ o0 U4 [
1.导入所需库：

1.    import numpy as np
   6 q- F3 N, {- J  K4 Z* n
2.    import pandas as pd2 L1 K! C* n/ P- D  n2 q1 h- G! g\" K3 J
   
3.    from statsmodels.formula.api import ols

复制代码

2.定义源数据：

1.    dic = {
   . M% l$ T/ o  ~, U
2.        'x1': [7, 1, 11, 11, 7, 11, 3],1 j, C5 `( U$ q0 q$ b7 x/ K0 J9 L/ k
   
3.        'x2': [26, 29, 56, 31, 52, 55, 71],
   ; v6 K+ S1 ?: d; ^7 R
4.        'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
   / W0 d+ L# s6 s! _
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。

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。
) r; ?5 L8 O! n- z7 Y9 R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。

% f8 r; T0 [" D3 H
" m0 ]) G0 m6 C4 L+ I9 _- Q