statsmodels线性模型无法添加截距？多元回归报错求助

首先，你的核心问题是变量数量（2000个）远大于观测数量（1097条），这打破了经典OLS回归的基本假设（要求变量数远小于观测数，即 ( p \ll n )），直接导致了一系列异常：

1. 自由度耗尽：看输出里的Df Residuals: 0，意味着模型完美拟合了所有数据（( R^2=1.000 )），残差为0。此时计算调整R²、F统计量、标准误这些指标时，分母会出现0，触发除零错误，所以才会看到nan和inf。
2. 截距未显示：当模型自由度耗尽时，截距项可能因为完全共线性（2000个变量里很可能存在和截距线性相关的组合）被statsmodels自动剔除，这种情况下的结果完全没有统计意义。
3. sklearn能运行的原因：sklearn的LinearRegression在 ( p > n ) 时会用伪逆求解，返回一个最小范数的系数解，但它本身不提供统计推断（比如P值），只是给出一个数值解，没有实际统计价值。

解决方法： #

要通过statsmodels拿到可靠的系数P值，必须先解决变量数远大于观测数的问题，这里有几个可行方向：

1. 变量筛选：保留有意义的变量

通过特征选择方法减少变量数量，让变量数远小于观测数，再用OLS回归。比如用LASSO正则化自动筛选变量（对尺度敏感，需先标准化）：

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.linear_model import LassoCV
from sklearn.preprocessing import StandardScaler

# 导入数据
dataset = pd.read_excel('sheet.xlsx')
X = dataset.iloc[:, :-1]
y = dataset.iloc[:, -1]

# LASSO对变量尺度敏感，先标准化处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 用交叉验证选择最优LASSO模型，自动剔除无关变量
lasso = LassoCV(cv=5, random_state=42).fit(X_scaled, y)
selected_features = X.columns[lasso.coef_ != 0]
print(f"筛选后保留变量数：{len(selected_features)}")

# 用筛选后的变量构建带截距的OLS模型
X_selected = X[selected_features]
X_selected_with_const = sm.add_constant(X_selected)
model = sm.OLS(y, X_selected_with_const).fit()

# 查看正常输出，此时会显示截距和有效的P值
print(model.summary())

2. 正则化回归（替代OLS）

如果不想大幅减少变量，可以用Ridge或LASSO正则化回归，statsmodels支持这些模型。虽然正则化模型没有严格意义上的P值，但可以通过bootstrap方法获取近似的统计显著性：

import statsmodels.api as sm
from statsmodels.regression.linear_model import Ridge
from statsmodels.stats.bootstrap import bootstrap_ci

# 添加截距项
X_with_const = sm.add_constant(X)

# 构建Ridge模型，alpha是正则化强度，可通过交叉验证选择最优值
ridge_model = Ridge(alpha=10.0).fit(X_with_const, y)

# 用bootstrap获取系数的95%置信区间（近似替代P值判断显著性）
def get_coefs(model, X, y):
    return model.fit(X, y).coef_

ci = bootstrap_ci((X_with_const, y), get_coefs, model=Ridge(alpha=10.0))
print("系数95%置信区间：", ci)

3. 降维处理（比如PCA）

将2000个变量转换为少数主成分，再用主成分做OLS回归，既保留大部分信息，又减少变量数量：

import pandas as pd
import statsmodels.api as sm
from sklearn.decomposition import PCA

# 导入数据
dataset = pd.read_excel('sheet.xlsx')
X = dataset.iloc[:, :-1]
y = dataset.iloc[:, -1]

# 保留能解释95%方差的主成分，自动确定主成分数量
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X)
X_pca_df = pd.DataFrame(X_pca, columns=[f"PC{i+1}" for i in range(X_pca.shape[1])])

# 添加截距并构建OLS模型
X_pca_with_const = sm.add_constant(X_pca_df)
model = sm.OLS(y, X_pca_with_const).fit()
print(model.summary())

关键提醒： #

当变量数远大于观测数时，任何回归模型的统计推断都要非常谨慎——过拟合风险极高，建议先从业务逻辑出发筛选变量，再结合统计方法，确保模型的可解释性和可靠性。

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