Python做多元线性回归时出现负常数项该如何解读？

负常数项的含义 #

OLS回归的常数项（截距项）代表所有自变量取值均为0时，因变量的预测值。放到你的业务场景里，就是当你司促销销量、竞品奖励销量都为0时，你司净销售额的预测值为-14896.84元。

该现象是否属于正常情况 #

这种情况非常正常，不需要过度担心。
你提供的样本里，你司促销销量的最低值为7541，竞品奖励销量最低值为61799，两个自变量的取值范围从来没有覆盖过0点，截距项本质是对样本外数据的外推结果，没有实际业务意义。只有当自变量取0是符合业务逻辑的常见场景时，截距项的正负、数值大小才需要纳入业务解读范围。

模型构建与结果解读的注意事项 #

1. 你当前的结果解读有误：不能把两个自变量的系数直接相加得出“1单位促销带动5单位销售额增长”的结论。两个自变量的效应是独立的，正确的解读是：

• 竞品奖励销量不变的前提下，你司每增加1单位促销销量，净销售额平均提升约4.16单位
• 你司促销销量不变的前提下，竞品每增加1单位奖励销量，你司净销售额平均提升约0.81单位

2. 当前样本量仅8条，回归结果的可信度极低，建议补充更多时间维度的样本再做最终结论。
3. 由于你用的是时间序列销售数据，建议补充检验线性回归的核心假设：是否存在自相关、异方差问题，同时可以加入时间趋势、行业大盘、定价等其他可能影响销售额的控制变量，避免遗漏变量导致系数偏差。
4. 建议补充查看系数的显著性指标（p值、t值），如果系数p值大于0.05，说明统计上不显著，当前系数数值的参考价值很低。

内容的提问来源于stack exchange，提问作者Rachel