Python学习笔记-StatsModels 统计回归（1）简介

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。

文档

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

主要功能

1. 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
2. 具有混合效应和方差分量的混合线性模型
3. glm：支持所有一个参数的广义线性模型 指数族分布
4. 二项和poisson的贝叶斯混合glm
5. gee：单向聚类或纵向数据的广义估计方程
6. 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
7. rlm：支持多个m估计的鲁棒线性模型。
8. 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
9. 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
10. 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
11. 非参数统计：单变量和多变量核密度估计
12. 数据集：用于示例和测试的数据集
13. 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
14. 小鼠插补，顺序统计回归和高斯插补
15. 中介分析
16. 图形包括用于可视化分析数据和模型结果的绘图功能
17. 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
18. 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
19. 核回归
20. scipy.stats.distributions的各种扩展
21. 面板数据模型
22. 信息论测度

获取和安装