如何用Python/R检验公司特定分数对财务回报的影响？R代码异常求解

R 实现与代码错误修复 #

你的代码有两个明显问题导致结果异常：

1. 对象名不匹配：你把拟合好的模型存在fm变量里，但调用summary()时用的是Return.lm——这个变量根本没定义，R要么报错，要么返回错误的结果。
2. 公式写法冗余且易出错：公式里用X$Return ~ X$Score同时指定data=X是重复操作，lm会优先用你直接指定的X$变量，但这样会忽略data参数的作用，还可能引发环境变量问题。

正确的R代码流程： #

• 先检查数据结构，确保Return和Score是数值型，且无关键缺失值：

# 查看数据结构
str(X)
# 移除含缺失值的行（可选，根据你的数据情况）
X_clean <- na.omit(X)

• 拟合线性模型并查看结果：

# 正确写法：直接用变量名，依赖data参数取数
fm <- lm(Return ~ Score, data = X_clean)
# 查看模型摘要
summary(fm)

• 结果解读：看Score对应的Pr(>|t|)值（p值），如果p值小于0.05，说明该分数对财务回报有显著统计影响；系数正负代表影响方向。

Python 实现 #

用statsmodels库来做线性回归，步骤如下：

• 先安装库（如果没装的话）：

pip install statsmodels pandas

• 代码流程：

import pandas as pd
import statsmodels.api as sm

# 假设你的数据是DataFrame格式，读入数据（比如从csv）
# X = pd.read_csv("your_data.csv")

# 移除缺失值
X_clean = X.dropna(subset=["Return", "Score"])

# 添加截距项（statsmodels默认不添加）
X_clean["intercept"] = 1

# 拟合模型
model = sm.OLS(X_clean["Return"], X_clean[["intercept", "Score"]])
results = model.fit()

# 查看结果摘要
print(results.summary())

• 结果解读：同样看Score对应的P>|t|值，小于0.05则说明存在显著影响，系数值代表单位分数变化带来的回报变化。

内容的提问来源于stack exchange，提问作者Terminator6677