Python中l逻辑回归的β系数和p值

我想用python执行一个简单的逻辑回归（1个因变量，1个自变量）。我在python中看到的所有关于逻辑回归的文档都是用来开发预测模型的。我想更多地从统计方面使用它。如何在python上找到简单逻辑回归的

优势比

、

p值

和

置信区间

X = df[predictor]
y = df[binary_outcome]

model = LogisticRegression()
model.fit(X,y)

print(#model_stats)

---

如果理想输出为

比值比

，

p值

，以及

置信区间

，我假设您使用的是

LogisticRegression（）

from

sklearn

。你不能从中估计p值的置信区间。您可以使用statsmodels，还请注意，不带公式的statsmodels与sklearn有点不同（请参见@Josef的注释），因此您需要使用

sm.add_constant（）

：

---

该系数以对数优势为单位，您可以简单地将其转换为优势比。[0.025 0.975]列是对数优势的95%置信区间。查看我假设您正在使用

sklearn

中的

LogisticRegression（）

。你不能从中估计p值的置信区间。您可以使用statsmodels，还请注意，不带公式的statsmodels与sklearn有点不同（请参见@Josef的注释），因此您需要使用

sm.add_constant（）

：

---

该系数以对数优势为单位，您可以简单地将其转换为优势比。[0.025 0.975]列是对数优势的95%置信区间。查看

你的问题是什么？欢迎来到SO。这不是一个讨论论坛或教程。请花点时间阅读和阅读该页面上的其他链接。你的问题是什么？欢迎来到SO。这不是一个讨论论坛或教程。请花时间阅读和阅读该页面上的其他链接。注意，不使用公式时，statsmodels不会自动添加常量。是的，我错过了。感谢您指出，statsmodels在不使用公式时不会自动添加常量。是的，我错过了。谢谢你指出这一点

import statsmodels.api as sm

y = np.random.choice([0,1],50)
x = np.random.normal(0,1,50)

model = sm.GLM(y, sm.add_constant(x), family=sm.families.Binomial())
results = model.fit()
results.summary()

Generalized Linear Model Regression Results
Dep. Variable:  y   No. Observations:   50
Model:  GLM Df Residuals:   48
Model Family:   Binomial    Df Model:   1
Link Function:  logit   Scale:  1.0000
Method: IRLS    Log-Likelihood: -33.125
Date:   Sat, 09 Jan 2021    Deviance:   66.250
Time:   16:21:51    Pearson chi2:   50.1
No. Iterations: 4       
Covariance Type:    nonrobust       
coef    std err z   P>|z|   [0.025  0.975]
const   -0.0908 0.309   -0.294  0.769   -0.696  0.514
x1  0.5975  0.361   1.653   0.098   -0.111  1.306