在拟合线性回归后,我正在寻找影响统计数据。在 R 中,我可以像这样获得它们(例如):
hatvalues(fitted_model) #hatvalues (leverage)
cooks.distance(fitted_model) #Cook's D values
rstandard(fitted_model) #standardized residuals
rstudent(fitted_model) #studentized residuals
等等。
在拟合这样的模型后,在 Python 中使用 statsmodels 时如何获得相同的统计数据:
#import statsmodels
import statsmodels.api as sm
#Fit linear model to any dataset
model = sm.OLS(Y,X)
results = model.fit()
#Creating a dataframe that includes the studentized residuals
sm.regression.linear_model.OLSResults.outlier_test(results)
编辑:请参阅下面的答案...
最佳答案
尽管接受的答案是正确的,但我发现在拟合模型后将统计信息作为影响实例 ( statsmodels.regression.linear_model.OLSResults.get_influence
) 的实例属性单独访问会很有帮助。这使我不必索引 summary_frame
因为我只对其中一项统计数据感兴趣,而不对所有统计数据感兴趣。所以也许这对其他人有帮助:
import statsmodels.api as sm
#Fit linear model to any dataset
model = sm.OLS(Y,X)
results = model.fit()
#create instance of influence
influence = results.get_influence()
#leverage (hat values)
leverage = influence.hat_matrix_diag
#Cook's D values (and p-values) as tuple of arrays
cooks_d = influence.cooks_distance
#standardized residuals
standardized_residuals = influence.resid_studentized_internal
#studentized residuals
studentized_residuals = influence.resid_studentized_external
关于python - 在 Python 中轻松访问标准化残差、厨师值、帽子值(杠杆)等?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46304514/