AI Skills
statsmodels

statsmodels

熱門

Python 的統計模型函式庫。當你需要特定模型類別（OLS、GLM、混合模型、ARIMA）並需要詳細診斷、殘差和推論時使用。最適合計量經濟學、時間序列、需要係數表的嚴謹推論。如需引導式統計檢定選擇並附 APA 報告，請使用 statistical-analysis。

3.8萬星標
3574分支
更新於 2026/8/29
獲取技能源代碼

相關技能

academy-guide17萬pr8.2萬context-window-management4.6萬
SKILL.md
唯讀
名稱
statsmodels
描述

Python 的統計模型函式庫。當你需要特定模型類別（OLS、GLM、混合模型、ARIMA）並需要詳細診斷、殘差和推論時使用。最適合計量經濟學、時間序列、需要係數表的嚴謹推論。如需引導式統計檢定選擇並附 APA 報告，請使用 statistical-analysis。

Statsmodels：統計建模與計量經濟學

概述

Statsmodels 是 Python 首屈一指的統計建模函式庫，提供各種統計方法的估計、推論和診斷工具。從簡單的線性迴歸到複雜的時間序列模型和計量經濟分析，皆可運用此技能進行嚴謹的統計分析。

目前相容性

範例以 statsmodels 0.14.6（2025 年 12 月 5 日發布）為目標。若要建立可重現的環境，請鎖定主要套件版本：

uv pip install statsmodels==0.14.6

使用 statsmodels.api 和 statsmodels.formula.api 進行穩定的高階匯入；當範例需要較新或特殊類別（如 HurdleCountModel）時，則直接匯入模組。

何時使用此技能

以下情況應使用此技能：

  • 擬合迴歸模型（OLS、WLS、GLS、分位數迴歸）
  • 執行廣義線性模型（邏輯斯、卜瓦松、伽瑪等）
  • 分析離散結果（二元、多項、計數、有序）
  • 進行時間序列分析（ARIMA、SARIMAX、VAR、預測）
  • 執行統計檢定與診斷
  • 檢驗模型假設（異質變異、自我相關、常態性）
  • 偵測離群值與影響觀測值
  • 比較模型（AIC/BIC、概似比檢定）
  • 估計因果效應
  • 產出可發表的統計表格與推論

快速入門、功能與模型選擇

statsmodels 用於推論——標準誤、信賴區間和假設檢定。當目標是預測且不需解釋係數時，請使用 scikit-learn。

最佳實務

資料準備

  1. 務必加入常數項：除非排除截距，否則使用 sm.add_constant()
  2. 檢查缺失值：擬合前處理或插補
  3. 必要時標準化：改善收斂與解釋（但樹狀模型不要求）
  4. 編碼類別變數：使用公式 API 或手動虛擬編碼

模型建立

  1. 從簡單開始：先建立基本模型，再依需求增加複雜度
  2. 檢查假設：檢驗殘差、異質變異、自我相關
  3. 使用適當模型：依結果類型選擇模型（二元→Logit，計數→Poisson）
  4. 考慮替代方案：若假設違反，使用穩健方法或不同模型

推論

  1. 報告效應量：不僅是 p 值
  2. 使用穩健標準誤：當存在異質變異或群聚時
  3. 多重比較：檢定多個假設時進行校正
  4. 信賴區間：務必與點估計一同報告

模型評估

  1. 檢查殘差：繪製殘差對擬合值圖、Q-Q 圖
  2. 影響診斷：識別並調查影響觀測值
  3. 樣本外驗證：在保留集上測試或交叉驗證
  4. 比較模型：非巢狀模型使用 AIC/BIC，巢狀模型使用 LR 檢定

報告

  1. 完整摘要：使用 .summary() 取得詳細輸出
  2. 記錄決策：註明轉換、排除的觀測值
  3. 謹慎解釋：考量連結函數（例如 log 連結的 exp(β)）
  4. 視覺化：繪製預測值、信賴區間、診斷圖

常見工作流程

工作流程 1：線性迴歸分析

  1. 探索資料（圖形、描述統計）
  2. 擬合初始 OLS 模型
  3. 檢查殘差診斷
  4. 檢定異質變異、自我相關
  5. 檢查多元共線性（VIF）
  6. 識別影響觀測值
  7. 必要時以穩健標準誤重新擬合
  8. 解釋係數與推論
  9. 在保留集或交叉驗證中驗證

工作流程 2：二元分類

  1. 擬合邏輯斯迴歸（Logit）
  2. 檢查收斂問題
  3. 解釋勝算比
  4. 計算邊際效應
  5. 評估分類效能（AUC、混淆矩陣）
  6. 檢查影響觀測值
  7. 與替代模型比較（Probit）
  8. 在測試集上驗證預測

工作流程 3：計數資料分析

  1. 擬合卜瓦松迴歸
  2. 檢查過度離散
  3. 若過度離散，擬合負二項模型
  4. 檢查過多零（考慮 ZIP/ZINB）
  5. 解釋發生率比
  6. 評估適合度
  7. 透過 AIC 比較模型
  8. 驗證預測

工作流程 4：時間序列預測

  1. 繪製序列，檢查趨勢/季節性
  2. 檢定平穩性（ADF、KPSS）
  3. 若非平穩則差分
  4. 從 ACF/PACF 識別 p、q
  5. 擬合 ARIMA 或 SARIMAX
  6. 檢查殘差診斷（Ljung-Box）
  7. 產生含信賴區間的預測
  8. 在測試集上評估預測準確度

參考文件

此技能包含完整的參考檔案，提供詳細指引：

references/linear_models.md

線性迴歸模型的詳細涵蓋，包括：

  • OLS、WLS、GLS、GLSAR、分位數迴歸
  • 混合效應模型
  • 遞迴與滾動迴歸
  • 全面診斷（異質變異、自我相關、多元共線性）
  • 影響統計量與離群值偵測
  • 穩健標準誤（HC、HAC、群聚）
  • 假設檢定與模型比較

references/glm.md

廣義線性模型的完整指南：

  • 所有分布族（二項、卜瓦松、伽瑪等）
  • 連結函數及其使用時機
  • 模型擬合與解釋
  • 偽 R 平方與適合度
  • 診斷與殘差分析
  • 應用（邏輯斯、卜瓦松、伽瑪迴歸）

references/discrete_choice.md

離散結果模型的全面指南：

  • 二元模型（Logit、Probit）
  • 多項模型（MNLogit、條件 Logit）
  • 計數模型（卜瓦松、負二項、零膨脹、Hurdle）
  • 有序模型
  • 邊際效應與解釋
  • 模型診斷與比較

references/time_series.md

深入的時間序列分析指引：

  • 單變量模型（AR、ARIMA、SARIMAX、指數平滑）
  • 多變量模型（VAR、VARMAX、動態因子）
  • 狀態空間模型
  • 平穩性檢定與診斷
  • 預測方法與評估
  • Granger 因果、IRF、FEVD

references/stats_diagnostics.md

全面的統計檢定與診斷：

  • 殘差診斷（自我相關、異質變異、常態性）
  • 影響與離群值偵測
  • 假設檢定（參數與無母數）
  • ANOVA 與事後檢定
  • 多重比較校正
  • 穩健共變異矩陣
  • 檢定力分析與效應量

何時參考：

  • 需要詳細的參數說明
  • 在相似模型之間選擇
  • 排除收斂或診斷問題
  • 了解特定檢定統計量
  • 尋找進階功能的程式碼範例

搜尋模式：

# 尋找特定模型的資訊
rg "Quantile Regression" references/

# 尋找診斷檢定
rg "Breusch-Pagan" references/stats_diagnostics.md

# 尋找時間序列指引
rg "SARIMAX" references/time_series.md

常見陷阱避免

  1. 忘記常數項：除非不需要截距，否則務必使用 sm.add_constant()
  2. 忽略假設：檢查殘差、異質變異、自我相關
  3. 結果類型使用錯誤模型：二元→Logit/Probit，計數→Poisson/NB，而非 OLS
  4. 未檢查收斂：注意最佳化警告
  5. 誤解係數：記得連結函數（log、logit 等）
  6. 過度離散時使用卜瓦松：檢查離散程度，必要時使用負二項
  7. 未使用穩健標準誤：當存在異質變異或群聚時
  8. 過度擬合：參數過多相對於樣本數
  9. 資料洩漏：在測試資料上擬合或使用未來資訊
  10. 未驗證預測：務必檢查樣本外表現
  11. 比較非巢狀模型：使用 AIC/BIC，而非 LR 檢定
  12. 忽略影響觀測值：檢查 Cook's distance 與槓桿值
  13. 多重檢定：檢定多個假設時校正 p 值
  14. 未對時間序列差分：對非平穩資料擬合 ARIMA
  15. 混淆預測區間與信賴區間：預測區間較寬

取得協助

詳細文件與範例：