如何在Python中训练多元线性回归模型并导出参数估计结果表

• 依赖库：pandas、statsmodels，未安装可执行命令：pip install pandas statsmodels

1. 数据预处理 #

你需要分析我方奖金销售额（b_mine）对我方净销售额（a_mine）的影响，首先完成数据加载和变量定义：

import pandas as pd
import statsmodels.api as sm

# 替换为你自己的数据读取逻辑，示例为读csv，也支持读excel等格式
df = pd.read_csv("你的数据文件路径.csv")

# 定义因变量y为我方净销售额，自变量X为我方奖金销售额
y = df["a_mine"]
X = df["b_mine"]

# 给自变量添加常数项，用于拟合回归截距（即你要的constant参数）
X = sm.add_constant(X)

2. 拟合线性回归模型 #

使用普通最小二乘法拟合回归模型：

model = sm.OLS(y, X).fit()
# 如需查看模型全量统计结果，可执行 print(model.summary())

3. 结果整理为指定格式 #

从模型拟合结果中提取所需字段，组装成要求的输出表格：

result_list = []
# 组装常数项结果行
result_list.append({
    "Component": "a_mine",
    "Parameter": "constant",
    "Estimate": round(model.params["const"], 5),
    "Standart_error": round(model.bse["const"], 5),
    "t_value": round(model.tvalues["const"], 2),
    "Approx Pr>|t|": "< 0.0001" if model.pvalues["const"] < 0.0001 else round(model.pvalues["const"], 4)
})
# 组装b_mine系数结果行
result_list.append({
    "Component": "b_mine",
    "Parameter": "scale",
    "Estimate": round(model.params["b_mine"], 5),
    "Standart_error": round(model.bse["b_mine"], 5),
    "t_value": round(model.tvalues["b_mine"], 2),
    "Approx Pr>|t|": "< 0.0001" if model.pvalues["b_mine"] < 0.0001 else round(model.pvalues["b_mine"], 4)
})

# 转换为DataFrame打印输出，就是你需要的结果表
result_df = pd.DataFrame(result_list)
print(result_df.to_string(index=False))

可选优化：加入控制变量 #

如果需要排除竞品销售额、单价等因素的干扰，只需要在定义自变量X时加入对应字段即可，示例：

# 加入竞品净销售额、我方单价作为控制变量
X = df[["b_mine", "a_comp", "c_mine"]]
# 后续拟合、结果提取逻辑保持一致，新增变量可按需求补充到输出表格中

内容的提问来源于stack exchange，提问作者Hale