为何sklearn与statsmodels的Poisson GLM截距和系数不一致？

以下是针对复杂数据集下两者结果不一致的常见排查点：

1. 特征预处理细节不对齐 #

• 特征缩放：Sklearn的PoissonRegressor默认不做特征缩放，如果你在Sklearn侧用了StandardScaler/MinMaxScaler，必须同步给Statsmodels的特征做完全相同的缩放——特征尺度差异会直接导致系数量级偏差。
• 类别编码：如果用独热编码，注意Sklearn的OneHotEncoder默认drop='first'（丢弃第一个类别避免多重共线性），而Statsmodels的C()函数默认保留所有类别。若两边编码逻辑不同，再加上截距项，会因共线性问题导致系数完全偏离。
• 缺失值处理：Sklearn模型默认会因缺失值报错，Statsmodels默认直接删含缺失值的样本。如果Sklearn侧用了SimpleImputer填充但Statsmodels侧没同步，训练样本集合不一致，结果必然不同。

2. 模型参数的隐性差异 #

• 截距项设置：两边默认都带截距，但如果特征工程中手动加了常数项，必须同时关闭两边的自动截距（Sklearn设fit_intercept=False，Statsmodels在公式里去掉+1），否则重复截距会导致系数异常。
• 权重传递：检查权重数组的维度、类型和样本对应关系——Sklearn的sample_weight和Statsmodels的weights都是一维数组，但如果预处理时打乱了样本顺序，或权重与样本不匹配，拟合结果会直接跑偏。
• 优化器与收敛条件：Sklearn默认用L-BFGS，Statsmodels默认用IRLS迭代加权最小二乘，两者默认收敛阈值不同（Sklearn是1e-4，Statsmodels是1e-8）。复杂数据集下收敛性差时，不同阈值会导致最终系数差异。可以手动设相同tol，或者让Sklearn用newton-cholesky solver对齐IRLS逻辑。

3. 目标变量处理不一致 #

• Poisson前提匹配：确认目标变量是非负整数——Statsmodels的Poisson GLM严格要求这一点，而Sklearn的PoissonRegressor对非整数目标容忍度更高。如果目标变量在某一侧做了平滑、对数转换等操作，两边拟合逻辑本质不同，结果必然有差。
• 偏移项处理：如果用了偏移项（比如对数曝光量），Sklearn需要手动把偏移项加入特征矩阵，Statsmodels则通过offset参数传入。处理方式不对会导致截距和系数出现系统性偏差。

4. 训练样本集合不一致 #

• 样本选择：检查两边的训练样本是否完全相同——比如train_test_split的随机种子不一致，或者异常值过滤条件不同，都会导致拟合的样本集合不一样，系数自然不同。
• 索引对齐：用Pandas的话，确认两边样本索引完全一致，避免索引混乱导致样本与特征、权重不匹配。

内容的提问来源于stack exchange，提问作者Diadochokinetic