用途：statsmodels 是 Python 的统计建模与计量经济学库，用于估计、推断和诊断，覆盖从线性回归到时间序列与计量分析的多种统计方法。
主要能力：线性模型（OLS、WLS、GLS、GLSAR、分位数回归、混合效应、递归/滚动回归）；广义线性模型（Binomial、Poisson、Negative Binomial、Gamma、Inverse Gaussian、Gaussian、Tweedie 等分布族与多种链接函数）；离散选择模型（Logit、Probit、MNLogit、条件 Logit、有序模型、Poisson、负二项、零膨胀、Hurdle）；时间序列（AutoReg、ARIMA、SARIMAX、指数平滑、ETS、VAR、VARMAX、动态因子、VECM、状态空间、区制转换、ARDL）；统计检验与诊断（自相关、异方差、正态性、设定检验、影响点与异常值、t 检验、比例检验、卡方、非参数检验、ANOVA、多重比较、效应量与功效、稳健标准误）。
使用方式：以 Python 导入 statsmodels.api 或 statsmodels.formula.api。线性回归需先用 sm.add_constant() 添加常数项，再拟合并查看 results.summary()；支持 R 风格公式，如 smf.ols('y ~ x1 + x2 + x1:x2', data=df).fit()，分类变量用 C() 自动哑变量编码。时间序列可用 ARIMA(y, order=(1,1,1)).fit() 并调用 forecast 或 get_forecast 获取预测与置信区间。模型比较可用 AIC/BIC 或嵌套模型的似然比检验。
适用场景：需要系数推断、残差诊断、假设检验、影响点分析、因果效应估计，或生成可发表统计表格的学术与计量分析。
限制：资料未提供具体版本、安装命令、收费与平台信息；部分模型（如 ARIMA）不支持公式 API；使用前需自行处理缺失值与分类编码，并注意模型假设与链接函数对系数解释的影响。