モデルオブジェクトを扱う

Pythonで学ぶstatsmodelsによる回帰入門

Maarten Van den Broeck

Content Developer at DataCamp

.params 属性

from statsmodels.formula.api import ols
mdl_mass_vs_length = ols("mass_g ~ length_cm", data = bream).fit()
print(mdl_mass_vs_length.params)

Intercept   -1035.347565
length_cm      54.549981
dtype: float64

.fittedvalues 属性

当てはめ値: 元データ上の予測値

print(mdl_mass_vs_length.fittedvalues)

または同等に

explanatory_data = bream["length_cm"]

print(mdl_mass_vs_length.predict(explanatory_data))

0      230.211993
1      273.851977
2      268.396979
3      399.316934
4      410.226930
    ...
30     873.901768
31     873.901768
32     939.361745
33    1004.821722
34    1037.551710
Length: 35, dtype: float64

.resid 属性

残差: 実際の目的変数 − 予測値

print(mdl_mass_vs_length.resid)

または同等に

print(bream["mass_g"] - mdl_mass_vs_length.fittedvalues)

0    11.788007
1    16.148023
2    71.603021
3   -36.316934
4    19.773070
   ...

残差（赤）。実測値（青い点）と予測値（青い線）の差

.summary()

mdl_mass_vs_length.summary()

                            OLS回帰結果                            
==============================================================================
従属変数:                    mass_g   R二乗:                        0.878
モデル:                           OLS   調整R二乗:                    0.874
手法:                     最小二乗法   F統計量:                       237.6
日付:                Thu, 29 Oct 2020   Fの確率:                   1.22e-16
時刻:                        13:23:21   対数尤度:                   -199.35
観測数:                          35   AIC:                           402.7
残差の自由度:                    33   BIC:                           405.8
モデルの自由度:                   1                                         
共分散タイプ:                 nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
<-----------------------------------------------------------------------------
切片        -1035.3476    107.973     -9.589      0.000   -1255.020    -815.676
length_cm      54.5500      3.539     15.415      0.000      47.350      61.750
==============================================================================
オムニバス:                    7.314   Durbin-Watson:                 1.478
オムニバスの確率:              0.026   Jarque-Bera (JB):             10.857
歪度:                        -0.252   JBの確率:                      0.00439
尖度:                         5.682   条件数:                           263.

                            OLS回帰結果                            
==============================================================================
従属変数:                    mass_g   R二乗:                        0.878
モデル:                           OLS   調整R二乗:                    0.874
手法:                     最小二乗法   F統計量:                       237.6
日付:                Thu, 29 Oct 2020   Fの確率:                   1.22e-16
時刻:                        13:23:21   対数尤度:                   -199.35
観測数:                          35   AIC:                           402.7
残差の自由度:                    33   BIC:                           405.8
モデルの自由度:                   1                                         
共分散タイプ:                 nonrobust

                 coef    std err          t      P>|t|      [0.025      0.975]
<-----------------------------------------------------------------------------
切片        -1035.3476    107.973     -9.589      0.000   -1255.020    -815.676
length_cm      54.5500      3.539     15.415      0.000      47.350      61.750
==============================================================================
オムニバス:                    7.314   Durbin-Watson:                 1.478
オムニバスの確率:              0.026   Jarque-Bera (JB):             10.857
歪度:                        -0.252   JBの確率:                      0.00439
尖度:                         5.682   条件数:                           263.

Passons à la pratique !

Pythonで学ぶstatsmodelsによる回帰入門