R 回归系数'；重要性检查

有人能给我介绍一下线性回归软件包吗？该软件包不仅会运行回归，还会计算每个回归系数的显著性标准（标准差/平均值），并将其与（N-k）“自由度”的适当p值进行比较？或者至少会提供输出，可以用来计算这样的结果

理想情况下，对于Python，但也将采用R

---

谢谢大家!

在R中，

lm（）

将拟合线性模型，

summary（）

提供完整的输出，包括系数估计、标准误差、t统计量和p值

statsmodels为线性回归和其他估计模型提供了所有标准推断

下面的输出是从这个笔记本上复制的

有一些解释的博客：

---

你看过R库中的

？lm

/

？summary.lm

了吗？（从技术上讲，它在

stats

包中，但当您运行R时，它会自动加载）我建议您通过谷歌搜索“python线性回归示例”，在该示例中，将带您到，它提供了python中线性回归的详细演练。是一个伟大的R资源。@Tchotchke-伟大的链接！非常感谢。使用这里的术语，我正在寻找一个“连续的、无监督的”模型，该模型将使用系数显著性标准提供“降维”。我看到的问题是，当使用预构建包时，并不是所有的统计数据都可以方便地（甚至完全可以）获得。更糟糕的是，很难甚至不可能获得可以用来扩展假设的数据！非常感谢。Python中没有任何东西（例如scipy）？我对Python函数不太熟悉。

mod = ols(formula='Lottery ~ Literacy + Wealth + Region', data=df)
res = mod.fit()
print(res.summary())
                            OLS Regression Results
==============================================================================
Dep. Variable:                Lottery   R-squared:                       0.338
Model:                            OLS   Adj. R-squared:                  0.287
Method:                 Least Squares   F-statistic:                     6.636
Date:                Tue, 02 Dec 2014   Prob (F-statistic):           1.07e-05
Time:                        12:52:16   Log-Likelihood:                -375.30
No. Observations:                  85   AIC:                             764.6
Df Residuals:                      78   BIC:                             781.7
Df Model:                           6
Covariance Type:            nonrobust
===============================================================================
                  coef    std err          t      P>|t|      [95.0% Conf. Int.]
-------------------------------------------------------------------------------
Intercept      38.6517      9.456      4.087      0.000        19.826    57.478
Region[T.E]   -15.4278      9.727     -1.586      0.117       -34.793     3.938
Region[T.N]   -10.0170      9.260     -1.082      0.283       -28.453     8.419
Region[T.S]    -4.5483      7.279     -0.625      0.534       -19.039     9.943
Region[T.W]   -10.0913      7.196     -1.402      0.165       -24.418     4.235
Literacy       -0.1858      0.210     -0.886      0.378        -0.603     0.232
Wealth          0.4515      0.103      4.390      0.000         0.247     0.656
==============================================================================
Omnibus:                        3.049   Durbin-Watson:                   1.785
Prob(Omnibus):                  0.218   Jarque-Bera (JB):                2.694
Skew:                          -0.340   Prob(JB):                        0.260
Kurtosis:                       2.454   Cond. No.                         371.
==============================================================================

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.