bo老师
开源仓库statsmodels/statsmodels11,503 Stars

statsmodels

用经典统计推断方法做回归、时间序列、面板分析和假设检验。

面向需要R风格统计输出（系数表、标准误、p值、诊断图）的Python研究者。用公式接口建模，产出可发表级别的统计摘要表和残差诊断。

bo老师判断：推荐

用途和边界相对清楚，可以先从小样本开始。

访问原仓库查看分享卡
...互动状态已更新

什么时候用

先判断任务是否合适

  • 需要R风格的统计摘要表（系数、SE、p值、置信区间）和残差诊断图
  • 经济/社会科学研究中的面板数据回归和时间序列分析
  • 需要对大量假设同时做多重比较校正（Bonferroni、FDR等）
  • 需要状态空间模型做结构时间序列分解（趋势/季节/周期成分）

先准备什么

材料越清楚，结果越有用

  • •整理好的数据表格（pandas DataFrame），标注清楚因变量和自变量
  • •模型公式（如 y ~ x1 + x2）或用矩阵指定endog/exog
  • •对数据的基本理解：哪些是连续/分类变量、有无缺失值、有无组结构

它会怎样推进

从材料到可以检查的结果

  1. 01

    指定模型

    用公式或矩阵接口定义因变量、自变量、模型族（OLS/GLM/MixedLM等）

  2. 02

    拟合模型

    调用fit方法，输出系数估计、标准误、p值和置信区间

  3. 03

    诊断模型

    检查残差分布、异方差、影响点、VIF共线性等诊断指标

  4. 04

    假设检验

    对线性约束做Wald/LR检验，或对多组比较做多重校正

  5. 05

    预测与解释

    生成预测值和置信区间，整理成可发表的统计表格

第一次这样开始

把仓库地址直接交给 AI

先让 AI 说明环境和风险，再完成最小安装验证。跑通以后，再把自己的真实材料放进去。

第一次直接复制

帮我安装这个库：https://github.com/statsmodels/statsmodels
安装前先告诉我需要什么环境，安装后帮我跑通一个最小示例。

结果出来后

先看这些检查点

  • 残差是否满足模型假设（正态性、同方差、独立性）
  • VIF值是否低于常用的共线性阈值
  • 多重比较校正后的显著性是否与校正前差异很大
  • 时间序列的残差是否为白噪声（Ljung-Box检验）

常见误区

这些判断仍由你负责

  • 用OLS拟合面板数据而不考虑个体异质性——应使用MixedLM或GEE
  • 在非平稳时间序列上直接跑回归——单位根检验（ADF/KPSS）不通过时需差分
  • 对几十个假设不加多重比较校正就逐个做显著性推断——会严重高估显著发现
  • 直接用summary表中的p值做因果结论——回归系数只有模型假设成立时才有因果含义

技术依据

查看能力拆解、验证范围与来源

能力地图4 项已拆解能力
  1. 01

    假设检验与多重比较

    给定一组样本、列联表或已拟合的模型，回答"组间/变量间是否存在差异或关联"，产出检验统计量、p 值、效应量、置信区间，并对成组比较或多次检验做多重比较校正，同时给出样本量与功效的正向与反向计算，让研究者把研究问题映射到正确的检验并完整报告。

  2. 02

    时间序列与状态空间建模

    给定一个或多个时间序列，识别其平稳性、阶数和协整关系，用状态空间框架（SARIMAX、UCM、动态因子、VARMAX）或经典框架（ARIMA、VAR、VECM）拟合，产出可预测、可诊断、可参数恢复的时序模型，并支持滤波、平滑、预测、冲击响应和方差分解。

  3. 03

    线性回归与诊断

    给定一个被解释变量和设计矩阵（或 R 风格公式），拟合并诊断线性回归模型，产出可解释的系数、推断、稳健协方差、设定检验和影响点，让研究者判断模型是否满足高斯–马尔可夫假设、哪些观测在驱动结论。

  4. 04

    面板与混合效应模型

    给定纵向、聚类或分层（面板）数据，在考虑组内相关和分层方差结构的前提下拟合模型，产出固定效应估计、随机效应或工作相关结构下的推断，让研究者处理重复测量、聚类设计和非独立观测，而不会把组内相关误当独立样本。

能力主要输入主要输出人工检查

假设检验与多重比较

源码已核对

  • 两组或多组样本数组（t-test、z-test、ANOVA）。
  • 频数/计数（proportion 检验、卡方拟合优度、列联表）。
  • 已拟合的 OLS/GLM Results 对象（anovalm 做模型比较或 Type I/II/III 平方和分解）。
  • 检验结果元组或对象（统计量、p 值、自由度、置信区间）。
  • ANOVA 表（sumsq、df、F、PR(F)）。
  • multipletests 四元组（reject、pvalscorrected、alphacSidak、alphacBonf）。
  • 选检验是否匹配数据类型（连续/计数/比例/分类）和设计（独立/配对/分层/重复测量）。
  • ANOVA 的 typ 选择是否匹配不平衡设计与模型项。
  • 多重比较方法是 FWER 还是 FDR，是否匹配领域惯例。

时间序列与状态空间建模

源码已核对

  • 单变量或多变量时间序列（pandas Series/DataFrame，带 DatetimeIndex 或 PeriodIndex）。
  • 模型阶数：order=(p,d,q)、seasonalorder=(P,D,Q,s)、order（VAR）、trend、exog（外生变量 / ARIMAX / SARIMAX）。
  • 平稳性检验输入：序列、maxlag、regression（常数/趋势）、autolag。
  • MLEResults/VARResults 对象（params、aic/bic/hqic、llf、filterresults、smoothresults）。
  • 预测与预测置信带（getforecast 返回 mean + confint）。
  • 诊断图（plotdiagnostics：standardized resid、hist+KDE、QQ、correlogram）。
  • 差分阶数 d/D、季节周期 s、滞后阶数是否匹配领域结构。
  • MLE 不收敛时是否换 startparams、简化阶数或换 method。
  • 预测区间是否覆盖不确定性来源（参数 + 创新）。

线性回归与诊断

源码已核对

  • endog：一维被解释变量数组或 pandas Series。
  • exog：设计矩阵（不含常数，需 sm.addconstant 显式加截距）。
  • 或 R 风格公式 formula + data（DataFrame），经 patsy 解析成设计矩阵。
  • RegressionResults 对象（params、bse、tvalues、pvalues、confint、rsquared、adj-rsquared、fvalue、fpvalue、aic、bic、mseresid）。
  • 稳健结果对象（替换 SE/t/p）。
  • 诊断检验结果元组（统计量、p 值、自由度或 F 值）。
  • 诊断检验违背后是否换稳健协方差、换模型族（GLS/RLM）或换设定（加变量、变换）。
  • 影响点是否剔除、加权还是保留并解释。
  • HAC 的 maxlag、聚类的 groups 是否匹配真实数据结构。

面板与混合效应模型

源码已核对

  • endog：结果变量（连续、二项、计数、有序、名义）。
  • exog：固定效应设计矩阵或公式。
  • 分组键 groups（GEE 必须）、vcformula/reformula（MixedLM 随机效应）。
  • MixedLMResults（feparams、covre、vcomp、randomeffects dict、bsefe、bsere、optimretvals、llf/aic/bic）。
  • GEEResults（params、covrobust、covnaive、bse、workingcorrelation、score test 结果）。
  • BayesMixedGLM 结果（femean、fesd、vcpmean、vcpsd、vcpmean、random effects 后验摘要）。
  • 随机效应结构（哪些变量在哪个层级有斜率）是否匹配实验/抽样设计。
  • GEE 的 covstruct 是否反映真实相关结构。
  • 方差成分接近零或协方差非正定时，是否简化随机效应。

处理机制

  1. 01

    核心处理链

    用经典统计推断方法做回归、时间序列、面板分析和假设检验。

已核对范围

  • 读取 statsmodels/stats/anova.py（anovalm、AnovaRM 类在 anova 模块）
  • 读取 statsmodels/stats/weightstats.py（ttestind、ttostind、ttostpaired、ztest、zconfint）
  • 读取 statsmodels/stats/proportion.py（proportionsztest、proportionschisquare、powerproportions2indep）
  • 读取 statsmodels/stats/multitest.py（multipletests、fdrcorrection、fdrcorrectiontwostage）
  • 读取 statsmodels/stats/multicomp.py（MultiComparison、TukeyHSD）存在
  • 读取 statsmodels/stats/power.py（TTestPower、TTestIndPower、NormalIndPower、FTestPower、FTestAnovaPower、GofChisquarePower 的 solvepower）
  • 读取 statsmodels/stats/contingencytables.py（Table、SquareTable、Table2x2、StratifiedTable）
  • 确认 examples/notebooks/interactionsanova.ipynb、chi2fitting.ipynb 存在

仍待核对

  • 未运行本机 t-test/ANOVA/multipletests smoke
  • 未核对 contingency tables 的精确检验分支
  • 未覆盖非参数检验（Wilcoxon/Mann-Whitney 在 scipy，statsmodels 部分在 sandbox）
  • 未运行本机 SARIMAX/VAR/单位根 smoke
  • 未逐一核对 Kalman filter/smoother 的数值实现
  • 未覆盖 Markov switching、ETS、Holt-Winters、exponential smoothing 的内部细节
  • 未运行本机 OLS 拟合 smoke
  • 未逐个验证每个诊断检验的统计口径

读取版本

43066730ab0daa5f1586dc0dbd0a8ca7b79ec456

许可

BSD-3-Clause

最近核对

内容 2026-07-10
Stars 2026-07-11

已完成源码核对

相关文章

科研之我见

AI 科研全流程怎么搭，我梳理出三个核心入口

每天开工先固定阶段入口、材料入口和验证入口，把庞大的科研全流程收缩成一段可执行、可检查的任务。

查看内容

具备相关能力的其他库

文献 · 验证

paper-qa

从本地论文和文档中检索证据并生成带精确引用的科研答案

查看内容

文献 · 分析 · 写作

grobid

把学术论文PDF解析成结构化TEI XML，提取元数据、全文结构和参考文献

查看内容

设计 · 分析 · 验证

CausalPy

用贝叶斯方法做准实验因果推断，含10+方法和稳健性诊断套件

查看内容