时间序列线性回归模型与Excel结果不符：截距差异排查

核心结论 #

你的Python代码没有错误，截距差异完全是因为Python和Excel使用的日期转换数值尺度不同，模型计算逻辑完全一致。

原因分析 #

线性回归的截距计算公式是：
截距b = y的平均值 - 斜率m × x的平均值

你在Python中用toordinal()把日期转换成了公元纪年序数（比如2002年1月1日对应730851，代表从公元1年1月1日到该日期的总天数），这个数值量级极大；而Excel默认使用的日期序列号是从1900年1月0日开始计数（2002年1月1日对应37258），数值量级远小于Python的ordinal。

两者的x平均值差异巨大：

• Python中x的平均值约为731215
• Excel中x的平均值约为37622

即使斜率m完全相同，代入截距公式后，必然会得到差异极大的截距结果——这是数学上的必然，和模型计算方式无关。

验证计算 #

根据你的结果反推，斜率m≈0.0497：

• Python截距：465.44 - 0.0497×731215 ≈ -35874.56，和代码输出一致
• Excel截距：465.44 - 0.0497×37622 ≈ -1404.36，和Excel结果完全匹配

统一结果的解决方法 #

如果想让Python输出和Excel一致的截距，只需把日期转换成Excel风格的序列号：

# 将日期转换为Excel兼容的序列号（适配Excel的1900年闰年bug）
df['ExcelDate'] = df['Date'].apply(lambda x: (x - pd.Timestamp('1899-12-30')).days)

之后用ExcelDate作为x变量进行回归，就能得到和Excel完全一致的斜率与截距。

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