【Python】statsmodelsで回帰分析入門

Pythonモジュール「statsmodels」で回帰分析する方法についてソースコード付きでまとめました。

【statsmodelsとは】インストール方法

StatsModelsは、統計モデルを用いて推定や検定、探索ができるPythonライブラリです。
使用感は機械学習用ライブラリのcikit-learnと似ていますが、StatsModelsのほうが統計モデルに特化しているだけあって、統計モデルに関する機能は豊富です。

インストール

pipでインストール可能です。

pip install statsmodels

依存ライブラリは「numpy」「matplotlib」なので、まだ入れていない人はインストールしておきましょう。

【重回帰分析】サンプルコード

# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np
import statsmodels.api as sm

# CSVファイルの読み込み
data = pd.read_csv("C:\prog\python\\test\data.csv", sep=",")

# 説明変数にx1とx2のデータを使用
X = data.loc[:, ['x1', 'x2']].values

# 目的変数にx3のデータを使用
Y = data['x3'].values

# 回帰モデルの呼び出し
model = sm.OLS(Y, sm.add_constant(X))

# モデルの作成
results = model.fit()

#結果の詳細を表示
print(results.summary())


"""
                            OLS Regression Results
==============================================================================
Dep. Variable:                      y   R-squared:                       0.662
Model:                            OLS   Adj. R-squared:                  0.623
Method:                 Least Squares   F-statistic:                     16.68
Date:                Mon, 19 Aug 2019   Prob (F-statistic):           9.80e-05
Time:                        19:35:26   Log-Likelihood:                -56.837
No. Observations:                  20   AIC:                             119.7
Df Residuals:                      17   BIC:                             122.7
Df Model:                           2
Covariance Type:            nonrobust
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const         12.1847     19.105      0.638      0.532     -28.123      52.492
x1             0.7007      0.135      5.172      0.000       0.415       0.987
x2            -0.6467      0.904     -0.715      0.484      -2.555       1.262
==============================================================================
Omnibus:                        2.244   Durbin-Watson:                   2.280
Prob(Omnibus):                  0.326   Jarque-Bera (JB):                1.590
Skew:                          -0.681   Prob(JB):                        0.452
Kurtosis:                       2.766   Cond. No.                         927.
==============================================================================
"""

data.csv

サンプル数が20未満だと怒られるので適当に20個のサンプルを用意。

"x1","x2","x3"
45,17.5,30
38,17.0,25
41,18.5,20
34,18.5,30
59,16.0,45
47,19.0,35
35,19.5,25
43,16.0,35
54,18.0,35
52,19.0,40
45,17.5,30
38,17.0,25
41,18.5,20
34,18.5,30
59,16.0,45
47,19.0,35
35,19.5,25
43,16.0,35
54,18.0,35
52,19.0,40

詳細表示されている主なパラメータの説明は以下のとおり。