statsmodels 是 Python 的统计建模与计量经济学库，提供估计、推断与诊断工具，覆盖从线性回归到时序与计量分析的多种方法。
主要能力包括：线性模型（OLS、WLS、GLS、GLSAR、分位数回归、混合效应、递归/滚动回归）及异方差、自相关、多重共线性、影响力点等诊断，并支持稳健标准误（HC、HAC、聚类）；广义线性模型（Binomial、Poisson、负二项、Gamma、Tweedie 等分布族与 Logit、Probit、Log 等连接函数）；离散选择模型（Logit、Probit、多项 Logit、有序模型、Poisson、负二项、零膨胀、栅栏模型）；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、ACF/PACF、预测区间、Granger 因果、脉冲响应与方差分解；统计检验与诊断（残差自相关、异方差、正态性、设定检验、t 检验、方差分析、非参数检验、多重比较、效应量与功效分析）。
使用方式：常规 API 用 import statsmodels.api as sm，先 sm.add_constant(X) 加截距再拟合，如 sm.OLS(y, X).fit() 并用 results.summary() 查看结果；公式 API 用 import statsmodels.formula.api as smf，如 smf.ols('y ~ x1 + x2 + x1:x2', data=df).fit()，分类变量自动哑编码。可用 AIC/BIC、似然比检验、交叉验证比较模型，用 summary_frame() 获取预测及置信区间。
适用场景：需要系数推断、假设检验、模型诊断、因果效应估计、期刊级统计表格、时序预测与计量分析。
限制：资料未提供具体收费、价格与平台信息；ARIMA 等部分模型不支持公式 API；细节可参考随附的 references 文档（线性模型、GLM、离散选择、时序、诊断）。