如何从Python中的OLSResults获取变量中的P值？

研究结果

df2 = pd.read_csv("MultipleRegression.csv")
X = df2[['Distance', 'CarrierNum', 'Day', 'DayOfBooking']]
Y = df2['Price']
X = add_constant(X)
fit = sm.OLS(Y, X).fit()
print(fit.summary())

显示每个属性的p值，小数点后仅保留3位

我需要提取每个属性的p值，如

距离

，

CarrierNum

等，并以科学记数法打印

我可以使用

fit.params[0]

或

fit.params[1]

等方法提取系数

需要为所有的p值获取它

---

另外，所有p值为0意味着什么？

我们必须进行

fit.pvalues[i]

来得到答案，其中

i

是自变量的数量

---

我们还可以使用

dir（）

查找对象的所有属性，而不是使用fit.summary（）。您可以在for循环中使用fit.pvalues[attributeIndex]打印所有特征/属性的p值，如下所示：

df2 = pd.read_csv("MultipleRegression.csv")
X = df2[['Distance', 'CarrierNum', 'Day', 'DayOfBooking']]
Y = df2['Price']
X = add_constant(X)
fit = sm.OLS(Y, X).fit()
for attributeIndex in range (0, numberOfAttributes):
    print(fit.pvalues[attributeIndex])

==========================================================================

所有p值都为0意味着什么

这可能是个好结果。每个项的p值检验零假设，即系数（b1，b2，…，bn）等于零，不会对拟合方程y=b0+b1x1+b2x2产生影响。。。较低的p值（<0.05）表示可以拒绝无效假设。换句话说，具有低p值的预测值很可能是对模型的有意义的补充，因为预测值的变化与响应变量（y）的变化相关

---

另一方面，较大的（不显著的）p值表明预测值的变化与响应的变化无关。

dir（fit）

并寻找可能的候选对象因为

pvalues

是一个系列，可以使用

fit.pvalues.loc['Price']