回归系数的显着性检验

-1

有人可以向我推荐线性回归包，它不仅可以运行回归，还可以计算每个回归系数的显着性标准（std/mean），并将它们与适当的（Nk）“自由度”的p值？或者至少会提供可用于计算的输出结果？回归系数的显着性检验

理想的情况下，为Python但需要R作为以及

谢谢！

2015-09-15 Toly

你看'lm' /'summary.lm'？在基地R？（技术上它在'stats'包中，但是当你运行R时会自动加载） –

我会推荐谷歌搜索“python linear regression example”，其中[first hit]（http://www.dataschool.io/）线性回归在python /）带你到[这iPython笔记本]（http://nbviewer.ipython.org/github/justmarkham/DAT4/blob/master/notebooks/08_linear_regression.ipynb），它提供了详细的演练Python中的线性回归。 [统计学习入门]（http://www-bcf.usc.edu/~gareth/ISL/）是一个很好的R资源。 – Tchotchke

@Tchotchke - 伟大的链接！谢谢！使用那里的术语，我正在寻找一个“连续的，无监督的”模型，它将使用系数显着性标准来提供“降维”。我看到的问题是，当使用预构建的包时，并非所有的统计信息都很方便（甚至根本不可用）。更糟糕的是，获取可用于扩大假设检验的数据非常困难甚至不可能。 – Toly

在R中，lm()将拟合线性模型，并且summary()给出全部输出，包括系数估计值，标准误差，t-统计量和p值。 https://stat.ethz.ch/R-manual/R-patched/library/stats/html/lm.html

来源

2015-09-15 19:04:10

太棒了！谢谢！ Python中没有东西（例如scipy）？ – Toly

我不太熟悉Python函数。 –

statsmodels提供了线性回归和其他估计模型的所有标准推论。

输出下面是这款笔记本 http://statsmodels.sourceforge.net/stable/examples/notebooks/generated/formulas.html

一些解释一个博客复制：

http://www.datarobot.com/blog/multiple-regression-using-statsmodels/

mod = ols(formula='Lottery ~ Literacy + Wealth + Region', data=df) 
res = mod.fit() 
print(res.summary()) 
          OLS Regression Results 
============================================================================== 
Dep. Variable:    Lottery R-squared:      0.338 
Model:       OLS Adj. R-squared:     0.287 
Method:     Least Squares F-statistic:      6.636 
Date:    Tue, 02 Dec 2014 Prob (F-statistic):   1.07e-05 
Time:      12:52:16 Log-Likelihood:    -375.30 
No. Observations:     85 AIC:        764.6 
Df Residuals:      78 BIC:        781.7 
Df Model:       6 
Covariance Type:   nonrobust 
=============================================================================== 
        coef std err   t  P>|t|  [95.0% Conf. Int.] 
------------------------------------------------------------------------------- 
Intercept  38.6517  9.456  4.087  0.000  19.826 57.478 
Region[T.E] -15.4278  9.727  -1.586  0.117  -34.793  3.938 
Region[T.N] -10.0170  9.260  -1.082  0.283  -28.453  8.419 
Region[T.S] -4.5483  7.279  -0.625  0.534  -19.039  9.943 
Region[T.W] -10.0913  7.196  -1.402  0.165  -24.418  4.235 
Literacy  -0.1858  0.210  -0.886  0.378  -0.603  0.232 
Wealth   0.4515  0.103  4.390  0.000   0.247  0.656 
============================================================================== 
Omnibus:      3.049 Durbin-Watson:     1.785 
Prob(Omnibus):     0.218 Jarque-Bera (JB):    2.694 
Skew:       -0.340 Prob(JB):      0.260 
Kurtosis:      2.454 Cond. No.       371. 
============================================================================== 

Warnings: 
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

来源

2015-09-15 22:37:47 user333700

回归系数的显着性检验

回答

相关问题