SuperAPI AI 工具集

statsmodels

编程与开发

查看项目

更新于 10-15 23:43

技能介绍

用途:statsmodels 用于 Python 中的统计建模、推断与诊断,覆盖回归、时间序列和计量经济模型。资料强调:拟合成功只代表数值执行完成,因果识别、校准不确定性和模型充分性仍依赖可辩护的研究设计与假设。

主要能力:线性模型(OLS、WLS、GLS、GLSAR、分位数回归、混合效应、递归与滚动回归);广义线性模型(二项、泊松、Gamma 等分布族与连接函数);离散结果模型(Logit、Probit、多项 Logit、条件 Logit、泊松、负二项、零膨胀、Hurdle、有序模型);时间序列(AR、ARIMA、SARIMAX、指数平滑、VAR、VARMAX、动态因子、状态空间);统计检验与诊断(异方差、自相关、正态性、影响点与异常值、ANOVA、多重比较校正、稳健协方差、功效分析与效应量);模型比较(AIC/BIC、似然比检验)。

使用方式:建议在独立环境安装,资料给出的命令为 uv pip install statsmodels==0.15.0 numpy==2.5.3 scipy==1.18.1 pandas==3.0.6 matplotlib==3.11.2 scikit-learn==1.9.1。高层导入用 statsmodels.api 与 statsmodels.formula.api,需要较新或专用类时直接导入模块。0.15 中 ADF/KPSS 等过渡测试使用 result_object=True 与命名字段,随机数优先用 rng=。数组式 OLS/GLM/Logit 需显式加常数,公式模型默认含截距;OrderedModel 与 ConditionalLogit 不得加常数。数组模型可用 missing="raise" 捕获意外 NaN。

适用场景:回归与 GLM 拟合、离散与计数结果分析、时间序列预测、假设检验与残差诊断、影响点识别、模型比较与出版级统计表。验证需匹配抽样设计:重复单元用分组切分,时间序列按时间切分,预处理只在训练数据上学习。

限制:资料未提供收费、价格与平台信息。需注意收敛警告、连接函数解释、泊松过离散、稳健标准误、多重检验校正、数据泄漏与过差分等问题;非嵌套或边界比较不适用常规卡方似然比参考分布。官方文档见 https://www.statsmodels.org/stable/。