Python中statsmodels GLM回归结果如何获取标准误及常用属性
获取GLM结果的标准误
你之前尝试调用的result.stand_errors不存在,是属性名记忆有误。statsmodels 中所有回归结果类对象(包括GLM)都将回归系数的标准误存储在bse属性下,调用方式和params完全一致:
# 获取和系数一一对应的全量标准误序列 std_errs = result.bse # 单独提取某一变量的标准误,例如x1 x1_se = result.bse["x1"]
如果后续你通过get_robustcov_results()方法切换了稳健协方差矩阵(比如HC1、聚类稳健标准误),重新拟合后的结果对象里的bse也会同步更新为对应稳健估计下的标准误,不需要换属性名。
GLM结果对象的常用属性
除了你已经在使用的params(系数点估计)、pvalues(系数显著性p值)、nobs(有效参与拟合的观测数),实际分析中高频用到的属性可以分为几类:
- 系数推断相关
bse:各回归系数的标准误tvalues:各系数对应的检验统计量(GLM默认是z统计量,值等于params / bse)conf_int():可调用的方法,默认输出95%置信水平下的系数置信区间,也可以传入alpha参数调整置信水平cov_params():返回系数的完整协方差矩阵,需要自定义计算标准误、做线性组合检验时会用到
- 模型拟合效果相关
deviance:模型相对于饱和模型的偏差值,是GLM体系下核心的拟合优劣度量,值越小代表拟合效果越好null_deviance:仅含截距的零模型的偏差值,可用于计算伪R方类的拟合优度指标llf:模型的最大对数似然值,用于似然比检验、计算信息准则aic、bic:AIC、BIC信息准则值,用于不同变量组合的模型对比筛选pearson_chi2:Pearson卡方统计量,可用于判断GLM是否存在过度离散问题
- 残差与预测相关
fittedvalues:样本内的拟合预测值,是连接函数转换回原始y尺度的结果resid_response:响应尺度残差,即真实y值减去同尺度预测值resid_deviance:偏差残差,是GLM分析中识别异常值、评估模型适配性的常用残差形式resid_pearson:Pearson残差,计算离散参数、检验模型适配性的常用指标
- 基础模型参数
df_model:模型的回归自由度df_resid:残差的自由度,等于有效观测数减去待估参数个数scale:模型的离散参数估计值use_t:布尔值,标记当前模型的系数检验使用的是t分布还是标准正态分布
小技巧:如果需要快速定位某个结果对象的可用属性,不需要死记硬背,在IPython/Jupyter环境中输入
result.后按Tab键,就会自动补全列出所有可调用的属性与方法。
内容的提问来源于stack exchange,提问作者Younghan Lee
相关产品推荐
相关产品推荐

