擅长:python、mysql、java
<p>这三个是非常不同的,但在参数估计中重叠的非常简单的例子只有一个解释变量。</p>
<p>通过增加普遍性:</p>
<p><code>scipy.stats.linregress</code>只处理带有专用代码的单个解释变量的情况,并计算一些额外的统计信息。</p>
<p><code>numpy.polynomial.polynomial.polyfit</code>估计单变量多项式的回归,但不返回太多额外的统计量。</p>
<p><code>statsmodels</code><code>OLS</code>是一个通用的线性模型(OLS)估计类。它不预先指定解释变量是什么,并且可以处理任何解释变量的多元数组、公式和pandas数据帧。它不仅返回估计的参数,而且还返回一组用于统计推断和预测的结果统计和方法。</p>
<p>对于Python中估计线性模型的选项的完整性(在Bayesian分析之外),我们还应该考虑<code>scikit-learn</code><code>LinearRegression</code>和类似的线性模型,这些模型对于在大量解释变量中进行选择很有用,但没有statsmodels提供的大量结果。</p>