You need to enable JavaScript to run this app. Python中statsmodels GLM回归结果如何获取标准误及常用属性
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.02 12:36:09