Python 重现Stats模型计算

我正在使用聚集标准错误（）使用statsmodel运行OLS回归：

我使用不同的规范运行一个循环，并希望可视化所有迭代的系数

我用以下公式提取每次迭代中的系数和标准误差：

coe = model.params["variable_of_interest"] 
se = model.bse["variable_of_interest"]
List_coefficients.append(coe)
List_standard_errors.append(se)

我从列表中创建了一个简单的数据框，然后希望在matplotlib的errorbar中可视化系数：

import matplotlib
import matplotlib.pyplot as plt
ax = plt.errorbar(df["loop_rounds"], df["Coefficient"], yerr=df150["Standard_e"])

然而，在这样做时，置信区间的计算方式有所不同，并且图中的某些系数目前很重要

纠正计算差异的最佳方法是什么（例如，从statsmodel提取不同的参数、手动调整标准误差、误差条的变化）？ 如果手动编辑是解决方案，我在哪里可以找到聚集标准错误的公式

---

谢谢

没有完整的示例很难追踪，但是

coe

的维度是什么？对不起，这将是大量的代码，我对这种方法更感兴趣。COE是一个浮动变量，同样是SE。你的散文涵盖了APPACHACE，它既合理又不暴露错误，考虑将一些值注入到一个问题中。很难判断df和df150内部是什么。也许在一个极小的例子中工作可以揭示你的错误。问题是我需要模拟异方差错误，这不是很容易。

import matplotlib
import matplotlib.pyplot as plt
ax = plt.errorbar(df["loop_rounds"], df["Coefficient"], yerr=df150["Standard_e"])