6、Python 回归分析实战指南

Python 回归分析实战指南

1. 简单线性回归分析

在进行回归分析时，使用 statsmodels 公式 API 可以创建模型。以简单线性回归为例，通过调用模型对象的 .fit() 方法，使用普通最小二乘法来估计回归系数（参数），从而将线性回归模型拟合到数据上。

.fit 方法提供了许多用于探索其输出的函数，如 conf_int() 、 pvalues 、 tvalues 和 summary() 等。通过这些函数，可以从结果中获取模型的参数、置信区间、p 值和 t 值等信息。其中， summary() 函数最为实用，它会呈现一个包含所有相关分析结果的表格。

以一个具体的简单线性回归分析结果为例（图 2.15），在该结果中，左上角显示了模型中的因变量（ Dep. Variable ），在练习 2.04 中该因变量为 crimeRatePerCapita 。同时，还给出了一个名为 R - squared 的统计量，其值为 0.144，换算成百分比为 14.4%。R - squared 统计量衡量了模型能够解释因变量（ crimeRatePerCapita ）变异性的程度，可看作是衡量模型对数据集拟合程度的指标。

在图 2.15 的第二部分，报告了模型中的截距和自变量。这里的自变量是自住房屋的中位价值（ medianValu