用途:statsmodels 是 Python 用于统计建模、推断与诊断的库,覆盖从简单线性回归到复杂时间序列与计量经济分析,面向需要严谨统计推断的场景。
主要能力:
- 线性回归:OLS、WLS、GLS、GLSAR、分位数回归、混合效应、递归/滚动回归;支持稳健标准误、影响统计量、假设检验、AIC/BIC 与预测区间。
- 广义线性模型(GLM):二项、泊松、负二项、Gamma、逆高斯、高斯、Tweedie 等分布族,以及 logit、probit、log、identity 等连接函数。
- 离散选择模型:Logit、Probit、多项 Logit、条件 Logit、有序模型、泊松、负二项、零膨胀与 Hurdle 模型。
- 时间序列:AutoReg、ARIMA、SARIMAX、指数平滑、ETS、VAR、VARMAX、动态因子、VECM、状态空间、马尔可夫区制转换、ARDL;含 ACF/PACF、平稳性检验、预测区间、Ljung-Box、Granger 因果、脉冲响应。
- 检验与诊断:自相关、异方差、正态性、设定检验,杠杆值、Cook 距离、DFFITS;t 检验、比例检验、卡方、非参数检验、ANOVA、多重比较、效应量与功效分析、稳健推断。
使用方式:通过 import statsmodels.api as sm 构建模型;线性模型需用 sm.add_constant() 添加常数项;支持 R 风格公式 API(statsmodels.formula.api)。模型拟合后可用 results.summary() 查看结果,用 AIC/BIC、似然比检验、交叉验证进行比较与验证。
适用场景:需要系数推断与置信区间的回归分析、二分类与计数数据分析、时间序列预测与动态关系分析、模型假设检验与稳健性诊断。
限制:主要面向统计推断而非纯预测工程,部分模型对数据量与收敛条件敏感;公式 API 不适用于 ARIMA 等时间序列模型;本资料未提供独立安装命令、版本与收费信息。