如何在Python statsmodels中设置area和gender为固定系数偏移项？

之前你用offset没成功，大概率是没搞对它的用法——offset不是直接传原始变量，而是要传已经乘以固定系数的变量组合。下面给你两种靠谱的实现方式：

方法1：用offset参数（适合已知固定系数的场景） #

如果已经确定了area和gender的固定系数，比如area系数是0.3，gender系数是-0.1，先把这俩变量乘上对应系数再加起来，得到偏移项，再传入模型：

# 先计算固定系数的线性组合
offset_term = 0.3 * df['area'] + (-0.1) * df['gender']

# 拟合模型时，公式里去掉area和gender，加上offset参数
poly_2 = glm(
    formula='observed ~ agecat + veh_value + I(veh_value ** 2.0) + veh_age',
    data=df,
    family=sm.families.Tweedie(),
    offset=offset_term
).fit()

这样模型的线性预测式就变成：
log(μ) = 截距 + agecat系数*agecat + veh_value系数*veh_value + 二次项系数*veh_value² + veh_age系数*veh_age + 0.3*area -0.1*gender
这里0.3和-0.1是你固定死的系数，模型不会再去估计它们。

方法2：用约束拟合（适合想把变量留在公式里的场景） #

如果你希望把area和gender留在公式里，但强制它们的系数等于固定值，可以用fit_constrained方法，步骤如下：

# 先定义好完整的模型结构（不用先拟合）
model = glm(
    formula='observed ~ agecat + veh_value + I(veh_value ** 2.0) + veh_age + area + gender',
    data=df,
    family=sm.families.Tweedie()
)

# 写约束条件：比如指定area系数=0.3，gender系数=-0.1
constraints = ['area = 0.3', 'gender = -0.1']

# 拟合带约束的模型
poly_2_constrained = model.fit_constrained(constraints)

这种方法会在拟合时强制area和gender的系数等于你设定的值，其他参数正常估计，而且结果里能直接看到这些固定系数的变量。

额外提醒 #

如果area和gender是分类变量（比如字符串类型的类别），statsmodels会自动把它们转成虚拟变量，这时候约束条件里的参数名要对应虚拟变量的名字，比如area[T.urban] = 0.2，你可以先拟合一次无约束模型，看参数列表里的名字再写约束。

内容的提问来源于stack exchange，提问作者bzzz