如何从Python中的OLSResults获取变量中的P值？

Question

OLSResults of

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())

将每个属性的P值显示为仅3个小数位.

我需要为每个属性提取p值等Distance,CarrierNum并以科学计数法打印出来.

余可使用提取的系数fit.params[0]或fit.params[1]等

需要获得所有P值.

所有P值为0的意思是什么？

Answer 1

我们要做的fit.pvalues[i]是得到答案在哪里i是自变量的数量.

我们还可以使用查找对象的所有属性dir(<object>).这是另一条有用的知识.

Answer 2

您可以在 for 循环中使用 fit.pvalues[attributeIndex] 来打印所有特征/属性的 p 值，而不是使用 fit.summary() ，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])

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

另外，所有 P 值均为 0 意味着什么？

这可能是一个好的结果。每一项的 p 值测试原假设，即系数 (b1, b2, ..., bn) 等于 0，对拟合方程没有影响 y = b0 + b1 x1 + b2 x2... 低p 值 (< 0.05) 表示您可以拒绝原假设。换句话说，具有低 p 值的预测变量可能对模型有意义，因为预测变量值的变化与响应变量 (y) 的变化相关。

另一方面，较大（不显着）的 p 值表明预测变量的变化与响应的变化不相关。