Statsmodels Logit模型同一变量系数与P值矛盾问题求助

核心原因 #

你猜测的细微空格差异就是问题根源。从输出的变量名能明显看到：

• top_notes_me[T.orange (bitter)]
• top_notes_me[T. orange (bitter)]

后者在.后面多了一个空格，Statsmodels会把每个字符串完全一致的取值当作独立类别，哪怕仅差一个空格，也会被识别成两个不同的分组，所以才会出现重复条目，系数和P值的差异只是不同分组拟合结果的正常表现。

验证方法 #

可以用代码直接查看分类变量的唯一取值，确认空格问题：

print(df['top_notes_me'].unique())

运行后会看到类似['orange (bitter)', ' orange (bitter)']的结果，直观显示存在带空格和不带空格的重复取值。

解决步骤 #

1. 清洗分类变量的字符串，去除首尾空格：

   df['top_notes_me'] = df['top_notes_me'].str.strip()
   

2. 如果存在中间多余空格，可统一替换为单个空格：

   df['top_notes_me'] = df['top_notes_me'].str.replace('\s+', ' ', regex=True)
   

3. 重新拟合Logit模型，此时重复类别会被合并，输出将不再出现重复条目。

内容的提问来源于stack exchange，提问作者user20479548