使用statsmodels公式做多元OLS回归：摘要显示z值而非t值的问题

问题原因 #

1. 参数名错误：你代码中使用的use_T=True无效，statsmodels的OLS.fit()方法对应参数是小写的use_t，大写T的参数名未被识别，导致设置不生效。
2. 即使正确设置use_t=True，当指定cov_type='HAC'时，statsmodels默认会切换到z统计量（基于渐近正态性假设），忽略use_t参数。

可行解决方法 #

方法一：使用get_robustcov_results显式指定t分布

先拟合普通OLS模型，再通过get_robustcov_results计算HAC稳健标准误，同时强制启用t分布统计量：

import statsmodels.formula.api as smf

# 定义OLS模型
model = smf.ols("gr_gdp_pc ~ ln_gdp + gr_cap_pc + gr_rent_pc + lag_index_all_z", data=df)
# 拟合基础OLS模型
base_result = model.fit()
# 计算HAC稳健标准误并指定使用t分布
robust_result = base_result.get_robustcov_results(
    cov_type='HAC',
    cov_kwds={'maxlags': 1},
    use_t=True
)
# 输出包含t值的回归摘要
print(robust_result.summary())

该方法是官方推荐方式，通过get_robustcov_results的use_t参数直接控制统计量类型。

方法二：手动替换统计量（兼容旧版本）

如果方法一未生效，可手动计算t值和对应p值，替换结果对象的属性：

import statsmodels.formula.api as smf
import scipy.stats as stats

# 拟合带HAC稳健标准误的模型
robust_result = smf.ols(
    "gr_gdp_pc ~ ln_gdp + gr_cap_pc + gr_rent_pc + lag_index_all_z",
    data=df
).fit(cov_type='HAC', cov_kwds={'maxlags':1})

# 计算t值：系数 / 稳健标准误
t_values = robust_result.params / robust_result.bse
# 计算自由度：样本量 - 参数总数（截距+自变量个数）
df = robust_result.nobs - robust_result.df_model - 1
# 计算双尾p值
p_values = 2 * (1 - stats.t.cdf(abs(t_values), df=df))

# 替换结果对象的统计量属性
robust_result.tvalues = t_values
robust_result.pvalues = p_values
robust_result.use_t = True  # 让摘要显示"t"标签而非"z"

# 输出修改后的摘要
print(robust_result.summary())

内容的提问来源于stack exchange，提问作者taraamcl