S
statsmodels
Statistical modeling toolkit. OLS, GLM, logistic, ARIMA, time series, hypothesis tests, diagnostics, AIC/BIC, for rigorous statistical inference and econometric analysis.
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Statistical modeling toolkit. OLS, GLM, logistic, ARIMA, time series, hypothesis tests, diagnostics, AIC/BIC, for rigorous statistical inference and econometric analysis.
How to use
- Zainstaluj bibliotekę statsmodels w swoim środowisku Python (np. pip install statsmodels). 2. Przygotuj dane: załaduj zmienną zależną (y) i zmienne niezależne (X) jako tablice NumPy lub DataFrame Pandas. Pamiętaj, aby dodać kolumnę stałej (intercept) za pomocą sm.add_constant(X), inaczej model nie będzie miał wyrazu wolnego. 3. Utwórz model OLS (zwykłą regresję liniową) poleceniem sm.OLS(y, X) i dopasuj go metodą fit(). 4. Przejrzyj wyniki: wydrukuj results.summary() aby zobaczyć pełny raport zawierający R-squared, współczynniki, p-wartości i testy diagnostyczne. 5. Wygeneruj prognozy dla nowych danych za pomocą results.get_prediction(X_new) — otrzymasz przedziały ufności i przedziały predykcji. 6. Przeprowadź diagnostykę modelu: sprawdź heteroskedastyczność (test Breuscha-Pagana), autokorelację i normalność reszt, aby zweryfikować założenia modelu.