如何用Python的statsmodels线性回归模型预测单个新数据点？

错误原因 #

你的模型训练时，sm.add_constant(x)生成了2列的特征矩阵（第一列是常数项1，第二列是原始x值），对应模型的2个参数（截距和x的系数）。但你传入单个标量newX=2.5给sm.add_constant时，生成的特征矩阵形状为(1,1)，和模型参数(2,)的维度不匹配，导致矩阵点乘时出错。

正确实现方法 #

方法1：将单个数据点包装为二维结构后添加常数项 #

把newX转换成二维列表/数组，这样sm.add_constant会正确添加常数项列，生成符合要求的(1,2)形状特征矩阵：

newX = [[2.5]]  # 二维列表，形状(1,1)
newX_const = sm.add_constant(newX)
prediction = model.predict(newX_const)
print(prediction)  # 输出: [3.5]

方法2：手动构造包含常数项的特征矩阵 #

直接构造包含常数项（1）和特征值的二维数组，跳过sm.add_constant：

prediction = model.predict([[1, 2.5]])
print(prediction)  # 输出: [3.5]

验证结果 #

你的训练数据拟合出的回归方程是y = 1 + 1*x，所以x=2.5时预测值为3.5，两种方法都能得到正确结果。

内容的提问来源于stack exchange，提问作者Catherine