У меня есть странная ситуация с scipy.stats.linregress, кажется, возвращает неправильную стандартную погрешность:
from scipy import stats
x = [5.05, 6.75, 3.21, 2.66]
y = [1.65, 26.5, -5.93, 7.96]
gradient, intercept, r_value, p_value, std_err = stats.linregress(x,y)
>>> gradient
5.3935773611970186
>>> intercept
-16.281127993087829
>>> r_value
0.72443514211849758
>>> r_value**2
0.52480627513624778
>>> std_err
3.6290901222878866
Принимая во внимание, что Excel возвращает следующее:
slope: 5.394
intercept: -16.281
rsq: 0.525
steyX: 11.696
steyX является функцией стандартной погрешности Excel, возвращаясь 11.696 по сравнению с 3.63 scipy. Кто-либо знает то, что продолжается здесь? Какой-либо альтернативный способ получить стандартную погрешность регрессии в Python, не идя в Rpy?
Вы можете попробовать пакет StatsModels :
In [37]: import statsmodels.api as sm
In [38]: x = [5.05, 6.75, 3.21, 2.66]
In [39]: y = [1.65, 26.5, -5.93, 7.96]
In [40]: X = sm.add_constant(x) # intercept
In [41]: model = sm.OLS(y, X)
In [42]: fit = model.fit()
In [43]: fit.params
Out[43]: array([ 5.39357736, -16.28112799])
In [44]: fit.rsquared
Out[44]: 0.52480627513624789
In [45]: np.sqrt(fit.mse_resid)
Out[45]: 11.696414461570097
Мне только что было проинформировано со стороны Scipy пользовательской группы, что STD_ERR здесь представляет стандартную ошибку градиента линии, а не стандартную ошибку прогнозируемых y, согласно Excel. Тем не менее, пользователи этой функции должны быть осторожны, потому что это не всегда было не всегда поведение этой библиотеки - он использовался для вывода точно так же, как Excel, а замена, по-видимому, произошло за последние несколько месяцев.
В любом случае все еще ищет эквивалент Стейк в Python.