statsmodels

Statsmodels 是一个强大的 Python 函数库，专为严谨的统计建模、计量经济学分析与时间序列预测而设计。它提供了一套完整的工具，用于参数估计、统计推论与诊断测试，对于需要精确控制模型结构与高保真输出的研究人员、数据科学家与分析师而言，是不可或缺的工具。此技能协助将高阶统计方法应用于复杂数据集，透过详细的诊断与模型假设验证确保结果准确。无论您是进行学术研究、财务预测还是工业数据分析，此技能都能运用专业级的统计技术产生具备行动价值的见解。

• 广泛的模型支持，包括 OLS（普通最小平方法）、WLS（加权最小平方法）、GLS（广义最小平方法）与分位数回归。

• 进阶广义线性模型 (GLM)，提供多种分布族群，如二项分布、卜瓦松分布、负二项分布与伽玛分布。

• 强大的时间序列分析工具，用于 ARIMA、SARIMAX、VAR 与波动率建模，并内建平稳性测试。

• 全面的诊断套件，用于检测异质变异数、自相关与残差常态性。

• 离散结果分析，包含二元、多项与顺序模型。

• 影响力统计与异常观测值检测，包含库克距离 (Cook's distance) 与杠杆值分数。

• 可直接用于发表的统计推论输出，具备详细的系数表、p 值与信赖区间。

• 在拟合线性模型时务必透过加入常数项来准备数据，因为 Statsmodels 预设不会自动加入截距。

• 使用 AIC（赤池信息准则）与 BIC（贝氏信息准则）等模型比较指标来优化模型选择。

• 输入要求通常包含 Pandas DataFrames 或 NumPy 阵列，适用于解释变量 (X) 与应变量 (y)。

• 输出以结果物件形式回传，包含摘要统计、带有预测区间的预测物件以及诊断指标。

• 若需导引式选择基本统计测试并产生简化的 APA 风格报告，建议搭配「statistical-analysis」技能一同使用。

• 本函数库与 Matplotlib 高度相容，适用于视觉化模型诊断、残差图与自相关函数。