如何通过多元回归分析covid数据中submission_date、经纬度与new_case的关联

以下步骤基于Python主流数据分析工具链实现，全程代码可直接复制调整后运行：

第一步：提前安装依赖库 #

你需要提前安装3个核心工具库：数据处理用pandas，数值计算用numpy，回归建模用statsmodels（统计结果输出更友好，适合新手理解）。如果未安装，直接在终端运行以下命令：

pip install pandas numpy statsmodels

第二步：数据预处理 #

你的数据集需要先做几个基础处理才能放入回归模型：

• submission_date目前是字符串格式，要转成数值型：我们可以转换为「距离数据集最早日期的天数」，比如最早的2020-06-01记为0，之后每天递增1
• 先确认submission_date、latitude、longitude、new_case这四个你需要用到的字段没有缺失值，如果有缺失直接删除对应行即可
• 过滤new_case的异常值：如果有小于0的统计错误值，直接删除对应记录

预处理代码示例 #

import pandas as pd
import numpy as np
import statsmodels.api as sm

# 读取你的covid数据集，如果你是csv格式就用read_csv，其他存储格式对应调整读取方法
df = pd.read_csv("你的covid数据集本地文件路径.csv")

# 1. 转换日期为数值型
df['submission_date'] = pd.to_datetime(df['submission_date'])
min_date = df['submission_date'].min()
df['days_since_start'] = (df['submission_date'] - min_date).dt.days

# 2. 筛选目标字段并删除缺失值
use_cols = ['days_since_start', 'latitude', 'longitude', 'new_case']
df_clean = df[use_cols].dropna()

# 3. 过滤new_case异常值
df_clean = df_clean[df_clean['new_case'] >= 0]

第三步：构建多元回归模型 #

我们用普通最小二乘法（OLS）做多元线性回归，输出的统计指标齐全，适合判断变量关联关系。
注意线性回归默认不带截距项，我们需要手动给自变量加一列常数项。

建模代码示例 #

# 设定自变量X和因变量y
X = df_clean[['days_since_start', 'latitude', 'longitude']]
X = sm.add_constant(X) # 手动添加截距项
y = df_clean['new_case']

# 训练模型
model = sm.OLS(y, X).fit()

# 输出完整分析结果
print(model.summary())

第四步：结果解读（新手核心关注点） #

输出的报告里重点看三个指标即可：

• R-squared：取值范围0-1，数值越大说明你选的三个自变量能解释的new_case波动比例越高，比如0.3就说明这三个变量可以解释30%的新增病例变化
• P>|t|列：对应每个自变量的统计显著性，如果数值小于0.05，说明该变量和new_case的关联是统计显著的，如果大于0.05说明关联大概率是随机波动导致的，没有统计意义
• coef列：对应每个自变量的回归系数，正数说明变量数值越大new_case越高，负数说明变量数值越大new_case越低。比如days_since_start的系数是2，就说明每过1天，新增病例平均增加2例；latitude系数是-10，就说明纬度每升高1度，新增病例平均减少10例

可选优化方向 #

你当前选的三个自变量对新增病例的解释力可能有限，后续可以尝试调整提升效果：

• 对new_case做对数变换（np.log1p(df_clean['new_case'])），病例数本身是右偏分布，取对数后更符合线性回归的正态分布假设
• 把state作为分类变量加入模型，控制不同州的固有防疫、人口基数差异
• 加入时间周期性特征，比如周几、月份，疫情统计通常有明显的周度报告规律

内容的提问来源于stack exchange，提问作者craigcarpenter2