ols回归模型python,用OLS估计经典线性模型

　　我不确定为什么我对简单的内源性阿片样物质获得稍微不同的结果，具体取决于我是通过熊猫的实验性年相对价位指标界面在稀有中执行回归还是在计算机编程语言中使用统计模型。

　　进口熊猫

　　从rpy 2。r对象导入r

　　从函数工具导入部分

　　loadcsv=partial(熊猫DataFrame.from_csv，

　　index_col=seqn ，parse_dates=False)

　　demoq=loadcsv(csv/DEMO.csv )

　　RXQ=load CSV( CSV/quest/RXQ _ rx。CSV’)

　　num_rx={}

　　对于seqn，rxq.rxd295.iteritems()中的数量：

　　尝试：

　　val=int(num)

　　除了值错误：

　　val=0

　　num_rx[seqn]=val

　　系列=熊猫。系列（数量接收，名称=数量接收)

　　demoq=demoq.join(系列)

　　将pandas.rpy.common导入为com

　　df=com。转换为r数据帧(demoq)

　　r.assign(demoq ，df)

　　r(lmout

　　r(print(summary(lmout))) #从稀有打印从稀有起，我得到以下总结：

　　打电话：

　　lm(formula=demoq $ num _ rx ~ demoq $ ridageyr)

　　残差：

　　最小1Q中值最大3Q

　　-2.9086 -0.6908 -0.2940 0.1358 15.7003

　　系数：

　　估计标准。误差t值Pr(t)

　　（截距)-0.1358216 0.0241399-5.626 1.89 e-08 * * *

　　demoq $ ridage yr 0.0358161 0.0006232 57.469 2e-16 * * *

　　-

　　意义重大。代码：0 * * 0.001 * * 0.01 * 0.05 0.1 1

　　剩余标准误差：9963个自由度上的1.545

　　多重稀有平方：0.249,调整后稀有平方：0.2489

　　f-统计值：3303对一和9963 DF，p-值：2.2e-16使用statsmodels.api执行OLS:

　　将statsmodels.api作为钐导入

　　结果=sm .OLS(demoq.num_rx，demoq.ridageyr).适合()

　　结果摘要()结果与稀有的输出相似，但不一样：

　　内源性阿片样物质回归结果

　　调整的稀有平方：0.247

　　对数可能性：-18488。

　　第9965号意见AIC: 3.698e 04

　　Df残差：9964 BIC

　　系数标准误差t Pt [95.0% Conf .里面的]

　　平均年龄0.0331 0.000 82.787 0.000 0.032 0.034安装过程有点麻烦。但是，有一个分析笔记本这里，可以重现不一致性。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。