Python数模笔记-StatsModels 统计回归（1）简介

尉迟彬

2023-12-01

1、关于 StatsModels

statsmodels（http://www.statsmodels.org）是一个Python库，用于拟合多种统计模型，执行统计测试以及数据探索和可视化。

欢迎关注 Youcans 原创系列，每周更新数模笔记

Python数模笔记-PuLP库
 Python数模笔记-StatsModels统计回归
 Python数模笔记-Sklearn
Python数模笔记-NetworkX
Python数模笔记-模拟退火算法

2、文档

最新版本的文档位于：
https://www.statsmodels.org/stable/

3、主要功能

线性回归模型：
- 普通最小二乘法
- 广义最小二乘法
- 加权最小二乘法
- 具有自回归误差的最小二乘法
- 分位数回归
- 递归最小二乘法
具有混合效应和方差分量的混合线性模型
glm：支持所有一个参数的广义线性模型指数族分布
二项和poisson的贝叶斯混合glm
gee：单向聚类或纵向数据的广义估计方程
离散模型：
- logit和probit
- 多项式logit（mnlogit）
- 泊松与广义泊松回归
- 负二项回归
- 零膨胀计数模型
rlm：支持多个m估计的鲁棒线性模型。
时间序列分析：时间序列分析模型
- 完整的状态空间建模框架
- 季节性arima和arimax模型
- Varma和Varmax型号
- 动态因素模型
- 未观察到的组件模型
- 马尔可夫切换模型（MSAR），也称为隐马尔可夫模型（HMM）
- 单变量时间序列分析：ar，arima
- 向量自回归模型、var和结构var
- 矢量误差修正模型，vecm
- 指数平滑，霍尔特温特斯
- 时间序列的假设检验：单位根、协整等
- 时间序列分析的描述性统计和过程模型
生存分析：
- 比例危险回归（cox模型）
- 幸存者函数估计（kaplan-meier）
- 累积关联函数估计
多变量：
- 缺失数据的主成分分析
- 旋转因子分析
- 曼诺瓦
- 典型相关
非参数统计：单变量和多变量核密度估计
数据集：用于示例和测试的数据集
统计学：广泛的统计测试
- 诊断和规格测试
- 拟合优度和正态性检验
- 多重测试功能
- 各种附加统计测试
小鼠插补，顺序统计回归和高斯插补
中介分析
图形包括用于可视化分析数据和模型结果的绘图功能
输入/输出
- 用于读取stata.dta文件的工具，但pandas有一个更新的版本
- 表输出为ascii、latex和html
沙箱：statsmodels包含一个沙箱文件夹，其中包含未被视为“生产准备就绪”的开发和测试。
- 广义矩量法（gmm）估计量
- 核回归
- scipy.stats.distributions的各种扩展
- 面板数据模型
- 信息论测度
  = 关注 Youcans，分享原创系列 https://blog.csdn.net/youcans =

4、获取和安装

pip3 install --upgrade statsmodels -i https://pypi.tsinghua.edu.cn/simple

欢迎关注 Youcans 原创系列，每周更新数模笔记

Python数模笔记-StatsModels 统计回归（1）简介

1、关于 StatsModels

2、文档

3、主要功能

4、获取和安装

相关阅读

相关文章

相关问答

相关文档