在statsmodel库中,可以使用OLS
类来进行最小二乘线性回归分析,并计算OLS系数的置信区间。下面是一个完整的示例代码:
import statsmodels.api as sm
# 准备数据
X = [1, 2, 3, 4, 5]
y = [2, 4, 5, 4, 5]
# 添加常数列
X = sm.add_constant(X)
# 创建OLS模型
model = sm.OLS(y, X)
# 拟合模型
results = model.fit()
# 打印回归结果
print(results.summary())
在上述代码中,首先准备了自变量X和因变量y的数据。然后使用add_constant
函数将自变量X添加了一列常数列,以便拟合截距。接下来,创建了一个OLS
对象,并传入因变量y和自变量X。然后,使用fit
方法拟合模型,并将结果保存在results
变量中。
最后,通过调用summary
方法,可以打印出回归结果的详细统计信息,包括OLS系数、标准误差、置信区间等。
请注意,statsmodel库中的summary
方法默认会计算OLS系数的置信区间。如果需要自定义置信水平或其他参数,可以参考statsmodel官方文档中的相关说明。
此外,statsmodel库还提供了其他功能,如假设检验、残差分析等,可以进一步深入研究回归模型的性质和效果。
腾讯云相关产品和产品介绍链接地址:
领取专属 10元无门槛券
手把手带您无忧上云