statsmodels.stats.anova.anova_lm¶

statsmodels.stats.anova.anova_lm(*args, **kwargs)[source]¶

一个或多个拟合线性模型的方差分析表。

Parameters:¶

argsfitted linear model results instance

一个或多个拟合的线性模型

scalefloat

方差估计，如果为 None，将从最大的模型中估计。默认是 None。

teststr {“F”, “Chisq”, “Cp”} or None

要提供的测试统计量。默认值是“F”。

typstr or int {“I”,”II”,”III”} or {1,2,3}

要执行的方差分析测试的类型。请参阅注释。

robust{None, “hc0”, “hc1”, “hc2”, “hc3”}

使用异方差校正的系数协方差矩阵。 如果需要稳健协方差，建议使用hc3。

Returns:¶

anovaDataFrame

当 args 是单个模型时，返回值是包含以下列的 DataFrame：

sum_sqfloat64

模型项的平方和。

dffloat64

模型项的自由度。

Ffloat64

用于评估添加模型项显著性的F统计值。

PR(>F)float64

添加模型项显著性的P值。

当 args 是多个模型时，返回值是包含以下列的 DataFrame：

df_residfloat64

模型中残差的自由度。

ssrfloat64

模型中残差平方和。

df_difffloat64

与args中前一个模型的自由度差异

ss_dfffloat64

与前一个模型在参数中的ssr差异

Ffloat64

与参数中前一个模型比较的F统计量

PR(>F): float64

与参数中前一个模型进行显著性比较的P值

另请参阅

model_results.compare_f_test, model_results.compare_lm_test

注释

模型统计信息按参数顺序给出。模型必须使用公式 API 进行拟合。

示例

>>> import statsmodels.api as sm
>>> from statsmodels.formula.api import ols
>>> moore = sm.datasets.get_rdataset("Moore", "carData", cache=True) # load
>>> data = moore.data
>>> data = data.rename(columns={"partner.status" :
...                             "partner_status"}) # make name pythonic
>>> moore_lm = ols('conformity ~ C(fcategory, Sum)*C(partner_status, Sum)',
...                 data=data).fit()
>>> table = sm.stats.anova_lm(moore_lm, typ=2) # Type 2 Anova DataFrame
>>> print(table)