statsmodels 统计建模和计量经济学

statsmodels是一个包含统计模型、统计测试和统计数据挖掘python模块。对每一个模型都会生成一个对应的统计结果。统计结果会和现有的统计包进行对比来保证其正确性。

特点

• 线性回归模型：
  • 普通最小二乘法
  • 广义最小二乘法
  • 加权最小二乘法
  • 具有自回归误差的最小二乘法
  • 分位数回归
  • 递归最小二乘法
• 具有混合效应和方差成分的混合线性模型
• GLM：支持所有一参数指数族分布的广义线性模型
• 用于二项式和泊松的贝叶斯混合GLM
• GEE：单向聚类或纵向数据的广义估计方程
• 离散模型：
  • Logit和Probit
  • 多项式logit（MNLogit）
  • 泊松和广义泊松回归
  • 负二项式回归
  • 零充气计数模型
• RLM：鲁棒的线性模型，支持多个M估计量。
• 时间序列分析：时间序列分析模型
  • 完整的StateSpace建模框架
    • 季节性ARIMA和ARIMAX模型
    • VARMA和VARMAX模型
    • 动态因子模型
    • 未观察到的组件模型
  • 马尔可夫切换模型（MSAR），也称为隐马尔可夫模型（HMM）
  • 单变量时间序列分析：AR，ARIMA
  • 向量自回归模型，VAR和结构VAR
  • 矢量纠错模型，VECM
  • 指数平滑，Holt-Winters
  • 时间序列的假设检验：单位根，协整和其他
  • 用于时间序列分析的描述性统计数据和过程模型
• 生存分析：
  • 比例风险回归（Cox模型）
  • 幸存者功能估计（Kaplan-Meier）
  • 累积入射函数估计
• 多变量：
  • 缺少数据的主成分分析
  • 旋转因素分析
  • MANOVA
  • 典型相关
• 非参数统计量：单变量和多变量内核密度估计量
• 数据集：用于示例和测试的数据集
• 统计：广泛的统计测试
  • 诊断和规格测试
  • 拟合优度和正态性检验
  • 多重测试功能
  • 各种其他统计检验
• 使用MICE进行插补，阶数统计量回归和高斯插补
• 调解分析
• 图形包括用于视觉分析数据和模型结果的绘图功能
• 输入输出
  • 用于读取Stata .dta文件的工具，但pandas具有较新的版本
  • 表输出到ascii，latex和html
• 杂项模型
• Sandbox：statsmodels包含一个沙箱文件夹，其中包含处于开发和测试各个阶段的代码，因此不被视为“生产就绪”。其中包括
  • 广义矩估计（GMM）估计器
  • 内核回归
  • scipy.stats.distributions的各种扩展
  • 面板数据模型
  • 信息理论测度