Statsmodel截距不同于Seaborn lmplot截距

Question

什么可以解释statsmodel OLS回归和seaborn lmplot之间截距的差异？

我的statsmodel代码：

X = mmm_ma[['Xvalue']]
Y = mmm_ma['Yvalue']
model2 = sm.OLS(Y,sm.add_constant(X), data=mmm_ma)
model_fit = model2.fit()
model_fit.summary()

我的seaborn lmplot代码：

sns.lmplot(x='Xvalue', y='Yvalue', data=mmm_ma)

我的statsmodel截距为28.9775，seaborn lmplot截距约为45.5。

• 截获是否应该相同
• 为什么可以解释为什么这些是不同的？（我可以更改一些代码使其相等吗）
• 是否有一种方法可以获得类似于seaborn lmplot的图，但使用精确的回归结果来确保它们对齐

@马苏德，谢谢你的发帖。我想我已经意识到了问题所在。我的x值在1400到2600之间，y值在40到70之间。因此，使用seaborn lmplot，它只绘制回归曲线，截距基于最小范围X值，即46的截距。

然而，对于statsmodel OLS，它保持线路运行直到X=0，这就是为什么我得到28左右的截距。

所以我想问题是有一种方法可以继续趋势线，使用seaborn一直走到x=0。

我试着改变轴，但它似乎没有延长线。

axes = lm.axes
axes[0,0].set_xlim(0,)

Answer 1

这很奇怪。也许如果你能提供更多的细节，我们可以帮助得更好。我试图复制这个问题，但我从两种方法中得到了相同的截获。

代码：

import matplotlib.pyplot as plt
import statsmodels.regression.linear_model as sm
import seaborn as sns
import pandas as pd
import numpy as np
np.random.seed(0)

mmm_ma = {'Xvalue': range(0, 40), 'Yvalue': np.random.randint(low=0, high=40, size=40)}

mmm_ma = pd.DataFrame(mmm_ma)

X = mmm_ma[['Xvalue']]
Y = mmm_ma['Yvalue']
model2 = sm.OLS(Y,sm.add_constant(X), data=mmm_ma)
model_fit = model2.fit()
print(model_fit.summary())


sns.lmplot(x='Xvalue', y='Yvalue', data=mmm_ma)
plt.show()

以下是输出：

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                 Yvalue   R-squared:                       0.005
Model:                            OLS   Adj. R-squared:                 -0.021
Method:                 Least Squares   F-statistic:                    0.2071
Date:                Wed, 18 Jul 2018   Prob (F-statistic):              0.652
Time:                        00:51:04   Log-Likelihood:                -155.75
No. Observations:                  40   AIC:                             315.5
Df Residuals:                      38   BIC:                             318.9
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const         17.2183      3.783      4.551      0.000       9.559      24.877
Xvalue         0.0760      0.167      0.455      0.652      -0.262       0.414
==============================================================================
Omnibus:                        3.327   Durbin-Watson:                   1.618
Prob(Omnibus):                  0.189   Jarque-Bera (JB):                1.738
Skew:                           0.197   Prob(JB):                        0.419
Kurtosis:                       2.058   Cond. No.                         44.5
==============================================================================