Python数学建模库StatsModels统计回归简介初识

目录
  • 1、关于 StatsModels
  • 2、文档
  • 3、主要功能
  • 4、获取和安装

1、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。

2、文档

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

3、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
  • 核回归
  • scipy.stats.distributions的各种扩展
  • 面板数据模型
  • 信息论测度

4、获取和安装

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

以上就是Python数学建模库StatsModels统计回归简介初识的详细内容，更多关于数学建模库StatsModels统计回归的资料请关注我们其它相关文章！

赞 (0)

相关推荐

  • Python数学建模PuLP库线性规划入门示例详解

    目录 1.什么是线性规划 2.PuLP 库求解线性规划 -(0)导入 PuLP库函数 -(1)定义一个规划问题 -(2)定义决策变量 -(3)添加目标函数 -(4)添加约束条件 -(5)求解 3.Python程序和运行结果 1.什么是线性规划 线性规划(Linear programming),在线性等式或不等式约束条件下求解线性目标函数的极值问题,常用于解决资源分配.生产调度和混合问题.例如: max fx = 2*x1 + 3*x2 - 5*x3 s.t. x1 + 3*x2 + x3 <=

  • Python数学建模PuLP库线性规划进阶基于字典详解

    目录 1.基于字典的创建规划问题 2.线性规划问题案例 3.建立模型 (1)决策变量 (2)目标函数 (3)约束条件 (4)变量取值范围 4.PuLP 程序1:使用 LpVariable 逐一定义变量 5.PuLP 程序2:使用 dict 定义决策变量和约束条件 6.Python程序和运行结果 1.基于字典的创建规划问题 上篇中介绍了使用 LpVariable 对逐一定义每个决策变量,设定名称.类型和上下界,类似地对约束条件也需要逐一设置模型参数.在大规模的规划问题中,这样逐个定义变量和设置模型

  • Python数学建模StatsModels统计回归之线性回归示例详解

    Python数学建模StatsModels统计回归之线性回归示例详解

    目录 1.背景知识 1.1 插值.拟合.回归和预测 1.2 线性回归 2.Statsmodels 进行线性回归 2.1 导入工具包 2.2 导入样本数据 2.3 建模与拟合 2.4 拟合和统计结果的输出 3.一元线性回归 3.1 一元线性回归 Python 程序: 3.2 一元线性回归 程序运行结果: 4.多元线性回归 4.1 多元线性回归 Python 程序: 4.2 多元线性回归 程序运行结果: 5.附录:回归结果详细说明 1.背景知识 1.1 插值.拟合.回归和预测 插值.拟合.回归和预测

  • python statsmodel的使用

    python statsmodel的使用

    1.Pandas Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具,相当于这是Python官方自己的一套库 statsmodel是基于Pandas开发的一套库,用于一些描述统计.统计模型估计.推断.预测 2.自回归模型(AutoRegression model,AR) 自回归,从物理的角度来理解就是:当前记录与其历史记录的差值.eg,自回归认为历史的发展是一条斜率一定的直线. 3.滑动平均模型(moving average model, M

  • Python数学建模PuLP库线性规划实际案例编程详解

    目录 1.问题描述 2.用PuLP 库求解线性规划 2.1 问题 1 (1)数学建模 (2)Python 编程 (3)运行结果 2.2 问题 2 (1)数学建模 (2)Python 编程 (3)运行结果 2.3 问题 3 (1)数学建模 (2)Python 编程 (3)运行结果 2.4 问题 4 (1)数学建模 (2)Python 编程 (3)运行结果 2.5 问题 5:整数规划问题 (1)数学建模 (2)Python 编程 (3)运行结果 1.问题描述 某厂生产甲乙两种饮料,每百箱甲饮料需用原

  • Python数学建模库StatsModels统计回归简介初识

    目录 1.关于 StatsModels 2.文档 3.主要功能 4.获取和安装 1.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. 2.文档 最新版本的文档位于: https://www.statsmodels.org/stable/ 3.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

  • Python数学建模StatsModels统计回归模型数据的准备

    Python数学建模StatsModels统计回归模型数据的准备

    目录 1.读取数据文件 (1)读取 .csv 文件: (2)读取 .xls 文件: (3)读取 .txt 文件: 2.数据文件的拆分与合并 (1)将 Excel 文件分割为多个文件 (2)将 多个 Excel 文件合并为一个文件 3.数据的预处理 (1)缺失数据的处理 (2)重复数据的处理 (3)异常值处理 4.Python 例程(Statsmodels) 4.1 问题描述 4.2 Python 程序 4.3 程序运行结果: 版权说明: 1.读取数据文件 回归分析问题所用的数据都是保存在数据文件

  • Python数学建模StatsModels统计回归可视化示例详解

    Python数学建模StatsModels统计回归可视化示例详解

    目录 1.如何认识可视化? 2.StatsModels 绘图工具包 (Graphics) 3.Matplotlib 绘图工具包 4.Seaborn 绘图工具包 5.多元回归案例分析(Statsmodels) 5.1 问题描述 5.2 问题分析 观察数据分布特征 观察数据间的相关性 建模与拟合 6.Python 例程(Statsmodels) 6.1 问题描述 6.2 Python 程序 6.3 程序运行结果: 1.如何认识可视化? 需要指出的是,虽然不同绘图工具包的功能.效果会有差异,但在常用功

  • python数学建模(SciPy+ Numpy+Pandas)

    python数学建模(SciPy+ Numpy+Pandas)

    目录 前言 SciPy 学习 SciPy基本操作 1-求解非线性方程(组) 2-积分 3-最小二乘解 4-最大模特征值及对应的特征向量 Numpy学习(续) 1 Numpy 数学函数 1-1三角函数 2-舍入函数 2-1 numpy.around() 2-2 numpy.floor() 2-3 numpy.ceil() 3 Numpy算术函数 Pandas学习(续) Pandas 数据排序 DataFrame的排序 Pandas字符串处理 前言 SciPy 是一个开源的 Python 算法库和数

  • python数学建模之Numpy 应用介绍与Pandas学习

    python数学建模之Numpy 应用介绍与Pandas学习

    目录 Numpy学习 1 Numpy 介绍与应用 1-1Numpy是什么 2 NumPy Ndarray 对象 3 Numpy 数据类型 4 Numpy 数组属性 Pandas学习 1 pandas新增数据列 2 Pandas数据统计函数 3 Pandas对缺失值的处理 总结 Numpy学习 1 Numpy 介绍与应用 1-1Numpy是什么 NumPy 是一个运行速度非常快的数学库,一个开源的的python科学计算库,主要用于数组.矩阵计算,包含: 一个强大的N维数组对象 ndarray广播功

  • python数学建模之Matplotlib 实现图片绘制

    python数学建模之Matplotlib 实现图片绘制

    目录 Matplotlib 学习 Matplotlib简介 Matplotlib 散点图 Matplotlib Pyplot 关于plot() 绘制任意数量的点 不指定 x 轴上的点,看看效果 再看看y更多值的效果 两个数据集 Matplotlib 绘图标记 用 * 标记 用下箭头标记 Matplotlib 折线图 fmt 参数 标记大小与颜色 Matplotlib 条形图 总结 Matplotlib 学习 Matplotlib简介 # Matplotlib简介: ''' 使用 Matplotl

随机推荐