如何用python做没有截距项的多元回归？

如果是在做误差修正模型，一定要注意这一块，如果你没有把误差修正项拆开的话，原模型是不带截距项的，而LinearRegression()是默认带截距项的。

from sklearn import linear_model
ecm_clf = linear_model.LinearRegression(fit_intercept=False)
ecm_clf.fit(X,Y)

X和Y的shape都是(n_periods, m_features)

哥们我是没找到看相关统计量的方法，可能这个机器学习包根本没有提供统计量的计算。所以再介绍另一种方法：

 import numpy as np
 import pandas as pd
 import statsmodels.api as sm
 
# X为解释变量，y为被解释变量
# 为模型增加常数项，即回归线在 y 轴上的截距
 X=sm.add_constant(X)
 est=sm.OLS(y,X)
 
 # 查看模型拟合的结果
 est=est.fit()
 est.summary()

# 查看最终模型的参数
est.params

# 选择 100 个从最小值到最大值平均分布（equally spaced）的数据点
X_prime=np.linspace(X.GNP.min(), X.GNP.max(),100)[:,np.newaxis]
X_prime=sm.add_constant(X_prime)
# 计算预测值
y_hat=est.predict(X_prime)

使用了statsmodels.api果然很爽，不但能轻松导出模型的参数，还能输出残差和好看的回归检验表：

# 参数
est.params
# 残差
est.resid

你看，输出回归结果表的时候，下面还友好的告诉你这个模型可能出现的问题：条件数较大，为1.13e+03；这可能表明存在强烈的多重共线性或其他数值问题。这简直不能更人性化了。

用python做回归，在操作难度上你肯定不能和Eviews/Excel/stata/SPSS相比，因为那些都是傻瓜软件，如果你想更自由的处理数据，那么选用python或者Matlab吧。鄙人自从用了python，已经弃用Matlab好久了，哈哈。