statsmodels

Statsmodels - Python 统计建模与计量经济学分析工具

技能概述

Statsmodels 是 Python 专业的统计建模库，提供从线性回归、广义线性模型到时间序列分析的完整统计工具链，适用于需要严谨统计推断和模型诊断的计量经济学、时间序列分析和学术研究场景。

适用场景

计量经济学与经济数据分析

适合需要严谨统计推断的经济数据分析，包括 OLS/WLS/GLS 回归、工具变量估计、面板数据模型等，提供完整的系数表、标准误、t 检验等统计推断输出。

时间序列分析与预测

支持 ARIMA、SARIMAX、VAR 等时间序列模型，提供平稳性检验、ACF/PACF 分析、预测区间计算等完整的时间序列建模流程。

统计建模与假设检验

涵盖广义线性模型（Logistic、Poisson、Gamma 等）、离散选择模型、混合效应模型，以及各种残差诊断、异方差检验、正态性检验等统计测试。

核心功能

完整的回归模型家族

支持 OLS、WLS、GLS、分位数回归等线性模型，以及 Logit/Probit、Poisson、负二项等广义线性模型，提供模型假设检验、影响点识别、稳健标准误等诊断功能。

时间序列建模与预测

包含 ARIMA、SARIMAX、VAR、指数平滑等单变量和多变量时间序列模型，支持平稳性检验、Granger 因果检验、脉冲响应分析，并提供带置信区间的预测。

统计检验与诊断工具

提供残差诊断（异方差、自相关、正态性检验）、影响点分析（Cook's 距离、杠杆值）、多重比较校正、功效分析等完整的统计验证工具。

常见问题

Statsmodels 和 scikit-learn 有什么区别？应该选哪个？

Statsmodels 专注于统计推断和模型解释，输出完整的统计表（系数、标准误、p 值、置信区间），适合学术研究和需要理解变量关系的场景。scikit-learn 专注于预测精度和机器学习流程，提供更丰富的模型选择和工程化工具。如果你的目标是理解变量间关系、做严谨的统计检验，选 Statsmodels；如果目标是构建预测模型，选 scikit-learn。

如何用 Statsmodels 进行线性回归？

使用 sm.OLS(y, X) 拟合模型，注意必须先用 sm.add_constant(X) 添加截距项。拟合后调用 fit() 方法获取结果，summary() 查看完整的统计表。可以使用 get_prediction() 获取带置信区间的预测值，用 results.resid 访问残差进行诊断分析。

Statsmodels 支持哪些统计模型？

Statsmodels 支持广泛的统计模型：线性模型（OLS、WLS、GLS、分位数回归）、广义线性模型（Logistic、Poisson、Gamma、负二项）、离散选择模型（Logit、Probit、多项 Logit）、时间序列模型（ARIMA、SARIMAX、VAR、指数平滑）、混合效应模型，以及各种统计检验和诊断工具。