Statsmodels 是 Python 中一个强大的统计分析包，包含了回归分析、时间序列分析、假设检
验等等的功能。Statsmodels 在计量的简便性上是远远不及 Stata 等软件的，但它的优点在于可以与 Python 的其他的任务(如 NumPy、Pandas)有效结合，提高工作效率。在本文中，我们重点介绍最回归分析中最常用的 OLS(ordinary least square)功能。
当你需要在 Python 中进行回归分析时……
import statsmodels.api as sm！！！
在一切开始之前
上帝导入了 NumPy(大家都叫它囊派？我叫它囊辟)，
import numpy as np
便有了时间。
上帝导入了 matplotlib，
import matplotlib.pyplot as plt
便有了空间。
上帝导入了 Statsmodels，
import statsmodels.api as sm
世界开始了。
简单 OLS 回归
假设我们有回归模型
Y=β_0+β_1X_1+⋯+β_nX_n+ε
并且有 k 组数据，OLS 回归用于计算回归系数 βi 的估值 b0,b1,…,bn，使误差平方
最小化。
statsmodels.OLS 的输入有 (endog, exog, missing, hasconst) 四个，我们现在只考虑前两个。第一个输入 endog 是回归中的反应变量(也称因变量)
python最小二乘法拟合模型的loocc误差_线性回归模型库Statsmodels 中 OLS 回归（普通最小二乘法回归）...
如果觉得《python最小二乘法拟合模型的loocc误差_线性回归模型库Statsmodels 中 OLS 回归（普》对你有帮助，请点赞、收藏，并留下你的观点哦！
