Wie berechnet man das 99% -Konfidenzintervall für die Steigung in einem linearen Regressionsmodell in Python?

Question

Wir haben folgende lineare Regression: y ~ b0 + b1 * x1 + b2 * x2. Ich weiß, dass Regress-Funktion in Matlab es berechnet, aber numpy's linalg.lstsq nicht (https://docs.scipy.org/doc/numpy-dev/user/numpy-for-matlab-users.html).

Answer 1

: wie von Brian unterstreicht, ich den Code aus scipy Dokumentation hatte StatsModels 'RegressionResults hat eine conf_int() Methode. Hier ist ein Beispiel es (minimal modifizierte Version ihres Ordinary Least Squares Beispiels) mit:

import numpy as np, statsmodels.api as sm 

nsample = 100 
x = np.linspace(0, 10, nsample) 
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 

mod = sm.OLS(y, X) 
res = mod.fit() 
print res.conf_int(0.01) # 99% confidence interval 

Answer 2

Sie können scipy die lineare Regression verwenden, die den r/p-Wert und Standardfehler tun berechnen: http://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.stats.linregress.html

EDIT:

from scipy import stats 
import numpy as np 
x = np.random.random(10) 
y = np.random.random(10) 
slope, intercept, r_value, p_value, std_err = stats.linregress(x,y) 

confidence_interval = 2.58*std_err