4.3 回归模型评价

使用ststsmodels库建立回归模型时，通常会输出模型的很多检验结果，这些结果是用来对模型的好坏进行检验和评价的
statsmodels是一个Python模块，它为许多不同的统计模型的估计，以及进行统计测试和统计数据探索提供类和函数。在线文档位于statsmodels v0.11.1网站

1.模型的显著性检验

判断建立的模型是否成立，主要是F-检验，在ststsmodels输出结果中，有F-statistic值和Prob（F-statistic），前者是F检验的输出值，后者是F检验的P值如果Prob（F-statistic）<0.05，则说明在置信度为95%时，可以认为回归模型是成立的。如果Prob（F-statistic）>0.1，说明回归模型没有通过显著性检验，模型不显著，需要调整

2.R-square

R-square在统计学中又叫决定系数（R^2），在多元回归模型中取值范围[0,1]，越接近于1，回归模型拟合程度越好，模型的解释能力越强其中Ajust R-square 表示决定系数的开二次方根

3.AIC和BIC

AIC：赤池信息量准则
BIC：贝叶斯信息度量
两者均是评估统计模型的复杂程度和衡量统计模型“拟合”优良性的标准，取值越小，相对应的模型越好

4.系数显著性检验

在模型合适的情况下还需要对回归系数进行显著性检验（t检验），针对回归模型每个系数的t检验，如果相应的P值<0.05(0.1)，说明该系数在置信度95%（90%）水平下，系数是显著的

5.Durbin-Watson 检验

D.W检验 用来检验回归模型的残差是否具有自相关性，取值为[0,4]，数值越接近于2越没有自相关性，越接近于4，说明残差具有越强的负自相关性，越接近于0，具有越强的正自相关性。越具有较强的模型不能有很强的自相关性

6.条件数Cond.No

条件数用来度量多元回归模型自变量之间是否存在多重共线性，值越小，越能说明自变量之间不存在多重共线性问题，一般情况下，Cond.No<100,说明共线性程度小，100<Cond.No<1000，则存在多重共线性，如果存在严重的多重共线性问题，则需要使用逐步回归、主成分回归、Lasso回归等方式调整模型

注
API从技术角度来说就是应用程序编程接口。通过API我们可以直接获取一些我们需要的数据结果，而不需要自己编写相应的程序，有点类似模块化调用函数，大大加快了我们编程的速度。当然这个数据传输是需要网络的，所以一般API的形式看起来有点像网页链接。

通俗来说API是什么呢？就是一些别人写好的库函数并且开放出来供我们使用，我们并不需要具体知道这些功能和函数是怎么实现的，只需要按照作者预先规定的好的标准和方式就可以使用这些函数。

对于互联网公司企业来说，提供API的使用可以帮助程序开源，也可以为一些有需要的客户提供服务的同时保护自己程序代码的安全。

## 回归模型评价
## 加载包
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt
from statsmodels.sandbox.regression.predstd import wls_prediction_std
%matplotlib inline

#普通最小二乘法
#所选的回归模型应该使所有观察值的残差平方和最小
nsample = 100
x = np.linspace(0, 2, 100)
X = np.column_stack((x, x**2))
beta = np.array([1, 0.1, 10])
e = np.random.normal(size=nsample)
X = sm.add_constant(X)
y = np.dot(X, beta) + e
model = sm.OLS(y, X)
results = model.fit()
print(results.summary())