用途：statsmodels 是 Python 的统计建模与计量经济学库，用于估计、推断和诊断各类统计模型，从线性回归到复杂时间序列与计量分析。
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，含稳健标准误、影响统计量、假设检验与模型比较）；广义线性模型（Binomial、Poisson、Negative Binomial、Gamma、Inverse Gaussian、Gaussian、Tweedie 等族与多种链接函数）；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、区制转换、ARDL，含平稳性检验、预测区间与残差诊断）；统计检验与诊断（自相关、异方差、正态性、设定检验，影响与异常值，t 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：线性回归用 X = sm.add_constant(X_data) 后 sm.OLS(y, X).fit()；Logit 用 from statsmodels.discrete.discrete_model import Logit，Logit(y_binary, X).fit()；ARIMA 用 from statsmodels.tsa.arima.model import ARIMA，ARIMA(y_series, order=(1, 1, 1)).fit()；GLM 用 sm.GLM(y_counts, X, family=sm.families.Poisson())。也支持 R 风格公式 API：import statsmodels.formula.api as smf，如 smf.ols('y ~ x1 + x2 + x1:x2', data=df).fit()、smf.logit('y ~ x1 + x2 + C(group)', data=df).fit()。模型比较可用 AIC/BIC、嵌套模型似然比检验，并可用交叉验证评估。
适用场景：需要具体模型类别并关注详细诊断、残差、推断与出版级统计表格的连续结果、二分类、多分类、计数、有序与时间序列数据建模。
限制：资料未提供安装命令、版本要求、依赖与具体收费信息；ARIMA 不支持公式 API，需使用常规 API；建模前应处理缺失值、按需编码分类变量，并根据异方差或聚类情况选用稳健标准误。