Python中如何通过statsmodels提取零广义线性模型AIC、BIC

statsmodels拟合广义线性模型返回的GLMResults对象默认没有直接存储零模型（仅含截距的基准模型）的AIC、BIC属性，仅提供了零偏差null_deviance的直接调用入口，你可以通过以下两种方式拿到需要的值：

• 方法1：显式拟合截距-only零模型直接提取（准确率最高，推荐优先使用）
  零模型本质是不纳入任何自变量、仅保留截距项的同参数GLM，你只需要用和原模型完全一致的因变量、模型家族、连接函数、权重/偏移项配置，拟合一个仅含截距的模型，就能直接读取它内置计算好的AIC、BIC，不会出现计算偏差。
  参考代码：

  import statsmodels.api as sm
  # 以下是原模型拟合的示例逻辑，替换成你自己的建模代码即可
  # y = 你的因变量序列
  # X = 你的自变量矩阵（原模型中通常已经通过add_constant添加了截距）
  # glm_model = sm.GLM(y, X, family=sm.families.Poisson())
  # glm_res = glm_model.fit()
  
  # 构造零模型的自变量：仅1列全1的截距项
  X_null = sm.add_constant([0]*len(y))
  # 复用原模型的家族配置拟合零模型
  null_res = sm.GLM(y, X_null, family=glm_res.family, offset=glm_res.model.offset, freq_weights=glm_res.model.freq_weights).fit()
  
  # 直接提取目标值
  null_aic = null_res.aic
  null_bic = null_res.bic
  

  这个方法适配所有GLM家族，不管是固定离散度的泊松/二项模型，还是需要估计尺度参数的高斯/Gamma/负二项模型，结果都和statsmodels内置计算逻辑完全一致。

• 方法2：基于现有null_deviance手动计算（无需重拟合模型）
  如果你不想额外跑一次模型拟合，可以根据GLM信息准则的定义，结合结果对象里已有的属性手动计算，注意要对应不同模型类型调整参数计数：

  计算规则说明：

  1. 泊松、二项这类固定离散度为1的家族：零模型仅估计1个截距参数，AIC = 偏差 + 2参数个数，BIC = 偏差 + 参数个数ln(样本量)，代入零偏差即可算出
  2. 高斯、Gamma、逆高斯、负二项这类需要额外估计离散/尺度参数的家族：零模型共估计2个参数，计算时需要先把零偏差除以模型估计的尺度值，再代入AIC/BIC公式
     这个方法的问题是如果你的模型加了偏移项、自定义权重、特殊链接函数，很容易漏算调整项，非极简场景不推荐用。

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