statsmodels.graphics.regressionplots.plot_ccpr¶

statsmodels.graphics.regressionplots.plot_ccpr(results, exog_idx, ax=None)[source]¶

将CCPR绘制在一个回归变量上。

生成一个组件和组件-残差（CCPR）图。

Parameters:¶

resultsresult instance

一个回归结果实例。

exog_idx{int, str}

外生解释变量。如果给定字符串，它应该是您想要使用的变量名称，并且您可以像在公式中一样使用任意翻译。

axAxesSubplot, optional

如果提供，它将用于绘图，而不是创建一个新图形。

Returns:¶

Figure

如果 ax 为 None，则创建图形。否则为 ax 连接的图形。

另请参阅

plot_ccpr_grid

为多个回归变量创建CCPR图，并在图网格中显示。

注释

CCPR图提供了一种通过考虑其他自变量的影响来判断一个回归因子对响应变量的影响的方法。偏残差图定义为残差 + B_i*X_i 与 X_i 的关系图。该组件添加了 B_i*X_i 与 X_i 的关系图，以显示拟合线的位置。如果 X_i 与任何其他自变量高度相关，则应谨慎对待。在这种情况下，图中显示的方差将是真实方差的一个低估。

参考文献

http://www.itl.nist.gov/div898/software/dataplot/refman1/auxillar/ccpr.htm

示例

使用州犯罪数据集绘制单身家庭比例（‘single’）对谋杀率的影响，同时考虑高中毕业率（‘hs_grad’）、城市地区人口百分比和贫困率（‘poverty’）。

>>> import statsmodels.api as sm
>>> import matplotlib.pyplot as plt
>>> import statsmodels.formula.api as smf

>>> crime_data = sm.datasets.statecrime.load_pandas()
>>> results = smf.ols('murder ~ hs_grad + urban + poverty + single',
...                   data=crime_data.data).fit()
>>> sm.graphics.plot_ccpr(results, 'single')
>>> plt.show()

(源代码, png, 高分辨率png, pdf)