Python学习笔记-StatsModels 统计回归（0）简介

概述关于StatsModelsstatsmodels（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

---

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glmgee：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

---

获取和安装

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

总结

以上是内存溢出为你收集整理的Python学习笔记-StatsModels 统计回归（0）简介全部内容，希望文章能够帮你解决Python学习笔记-StatsModels 统计回归（0）简介所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。