statsmodels线性回归中的Jarque-Bera指标检验残差是否服从正态分布

数据准备：dataM

数据字段：y,x1,x2,x3

python中统计学的回归模型：

import statsmodels.formula.api as smf 

formula='y~x1+x2+x3'

resultM=smf.ols(formula,data=dataM).fit()

resultM.summary(title='线性回归')

输出回归模型的训练结果，在最后一部分有Jarque-Bera的统计量和显著性指标。

 

 Jarque-Bera (JB)：JB统计量

Prob(JB)：JB的p值(显著性指标)

Jarque-Bera 是用来检验该线性回归模型的残差是否符合正态分布，原理是统计学中的假设检验。此处不做统计学原理解释(因为我也说不明白，等我弄明白了再分享😂)。

原假设H0：模型残差e服从正态分布

Prob(JB)<0.05：显著=>拒绝原假设H0=>模型残差e不服从正态分布

Prob(JB)>0.05：不显著=>不能拒绝原假设H0=>模型残差e服从正态分布

根据线性回归模型的要求，残差必须服从正态分布，所以Prob(JB)>0.5是我们想要的结果，越大越好。