python实现逻辑回归DFBETA序列图

数据来自Regression Analysis by Example第12章的表12.1，一个破产概率的估计的例子。

检查了一下发现statsmodels的Logic中还没有诊断工具，但可以调用GLM，所以就实现了一下。

先加载上需要用到的包

import pandas as pd
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt

读取数据

dt = pd.read_csv('D://python/regression/P322.csv')
print(dt)

 

作图

x = dt[['X1', 'X2', 'X3']]
y = dt[['Y']]

X1 = sm.add_constant(x)
m1 = sm.GLM(y, X1, family=sm.families.Binomial(sm.families.links.logit())).fit()
outliers = m1.get_influence(observed=False)
DBETA = outliers.dfbetas
DBETAi = []
for i in range(0, len(y)):
    DBETAi.append(np.maximum(np.sum(DBETA[i]), -np.sum(DBETA[i])))

index = []
for i in range(1, len(y)+1):
    index.append(i)

plt.figure(figsize=(6, 5))
plt.scatter(index, DBETAi)
plt.xlabel('Index', fontsize=20)
plt.ylabel('$DBETA_i$', fontsize=20)
n = np.array([9, 14, 52, 53])
plt.show()

 DFBETA序列图就完美呈现了。