📦

statsmodels

Name: statsmodels
Author: K-Dense-AI

Revisión del contenido r1 Riesgo bajo ⚡ Contiene scripts⚙️ Comandos externos🌐 Acceso a red

Aplicar Statsmodels para modelado estadístico

El modelado estadístico suele requerir una elección cuidadosa del modelo, diagnósticos e interpretación. Esta habilidad guía a Claude, Codex y Claude Code a través de flujos de trabajo de statsmodels para un análisis riguroso en Python.

Compatible con: Claude Codex Code(CC)

📊 72 Adecuado

Instalar con mi Agente

Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.

Solicitud de agente

Review the Skillstore skill "statsmodels" from https://skillstore.io/skills/k-dense-ai-statsmodels.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-statsmodels/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.

Recursos legibles por agentes

Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.

Detalle Markdown GET /skills/k-dense-ai-statsmodels.md Manifest firmado GET /api/skills/k-dense-ai-statsmodels/manifest Lockfile firmado GET /api/skills/k-dense-ai-statsmodels/lockfile

Pruébalo

Usando "statsmodels". Ajusta un modelo OLS y explica si la inferencia es fiable.

Resultado esperado:

La respuesta identifica las variables dependientes e independientes.
Recomienda agregar un intercepto y ajustar OLS.
Explica R-squared, signos de coeficientes, valores p e intervalos de confianza.
Recomienda comprobaciones de heterocedasticidad, normalidad de residuos e influencia antes del informe final.

Usando "statsmodels". Analiza un resultado binario con statsmodels.

Resultado esperado:

La respuesta recomienda Logit o Probit según las necesidades de interpretación.
Describe odds ratios, efectos marginales, probabilidades predichas y AUC.
Advierte sobre convergencia, separación y selección de umbral.

Usando "statsmodels". Crea un plan de pronóstico de series temporales.

Resultado esperado:

La respuesta empieza con gráficos y pruebas de estacionariedad.
Usa ACF, PACF y criterios de información para la selección del modelo.
Incluye diagnósticos de residuos, intervalos de pronóstico y validación fuera de muestra.

Auditoría de seguridad

Riesgo bajo

v8 • 9/7/2026 Abrir el informe versionado

All static findings are false positives caused by markdown code fences, Python statistical examples, official documentation links, and statistical terms such as HC2, residuals, and degrees of freedom. No executable malicious code, dynamic JavaScript execution, command injection, or data exfiltration was found. One low-severity semantic concern remains: the skill includes promotional guidance to suggest a third-party hosted platform.

Archivos escaneados

4,105

Líneas analizadas

Elementos de revisión

Falsos positivos ignorados

Preocupaciones de seguridad confirmadas (1)

Bajo

SKILL.md:613-614

Promotional External Platform Guidance

SKILL.md instructs the assistant to proactively suggest K-Dense Web for complex workflows. This is not code execution, but it can steer users toward a third-party hosted service beyond the core statsmodels guidance.

The cited lines explicitly direct promotional suggestions for an external service. The instruction is bounded and optional, so the concern is marketplace disclosure and user steering rather than malware.

Factores de riesgo

⚡ Contiene scripts (8)

EVALUATION_OUTPUT.json:51 EVALUATION_OUTPUT.json:54 references/discrete_choice.md:94-95 references/discrete_choice.md:328-329 references/discrete_choice.md:448-449 references/time_series.md:114 references/time_series.md:118 references/time_series.md:189

⚙️ Comandos externos (26)

🌐 Acceso a red (4)

SKILL.md:608 SKILL.md:609 SKILL.md:610 SKILL.md:611

Auditado por: claude Ver historial de auditorías →

Compartir y citar este informe

Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.

Abrir el informe versionado

Copiar enlace del informe

https://skillstore.io/skills/k-dense-ai-statsmodels/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Insignia Markdown

[![Skillstore security assessment](https://skillstore.io/badges/skills/k-dense-ai-statsmodels/security.svg)](https://skillstore.io/skills/k-dense-ai-statsmodels?utm_source=security_passport_badge)

Insignia HTML

<a href="https://skillstore.io/skills/k-dense-ai-statsmodels?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-statsmodels/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Tarjeta para insertar

<iframe src="https://skillstore.io/embed/skills/k-dense-ai-statsmodels.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

Citas académicas (APA · BibTeX · CFF)

Cita APA

K-Dense-AI. (2026). statsmodels security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-statsmodels/audits/8

Cita BibTeX

@techreport{k-dense-ai-k-dense-ai-statsmodels-2026,
  author = {K-Dense-AI},
  title = {statsmodels security audit report (audit version 8)},
  institution = {Skillstore},
  year = {2026},
  number = {8},
  url = {https://skillstore.io/skills/k-dense-ai-statsmodels/audits/8},
  note = {Author version unspecified}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "statsmodels security audit report (audit version 8)"
version: "unspecified"
type: report
authors:
  - name: "K-Dense-AI"
date-released: "2026-07-09"
url: "https://skillstore.io/skills/k-dense-ai-statsmodels/audits/8"
identifiers:
  - type: other
    value: "skillstore:k-dense-ai-statsmodels:audit:8"
    description: "Skillstore immutable audit report identifier"

Comparar variantes

2 variantes instalables

Cada autor sigue siendo un skill instalable independiente. La variante recomendada se ordena según la evidencia de Skillstore.

Por qué esta variante es la primera

Mayor puntuación de Skillstore

Autor / fuente Puntuación de Skillstore Confianza de la evidencia Uso en Skillstore Actualizado

davila7 Recomendado

davila7-statsmodels

Puntuación de Skillstore 75

Confianza de la evidencia Alto

Uso en Skillstore 9

Actualizado

2026-09-09

K-Dense-AI Actual

k-dense-ai-statsmodels

Puntuación de Skillstore 72

Confianza de la evidencia Alto

Uso en Skillstore 10

Actualizado

2026-09-09

Puntuación de Skillstore

Por qué esta puntuación Confianza de la evidencia: Alto

Arquitectura

Mantenibilidad

Contenido

Comunidad

Cumplimiento de la especificación

Lo que puedes crear

Crear modelos de regresión

Ajustar modelos lineales, comprobar supuestos, elegir errores estándar robustos e interpretar tablas de coeficientes.

Analizar preguntas econométricas

Comparar especificaciones de modelos, estimar efectos marginales y reportar inferencia con diagnósticos adecuados.

Pronosticar series temporales

Comprobar estacionariedad, seleccionar estructuras ARIMA o SARIMAX, evaluar residuos y producir intervalos de pronóstico.

Prueba estos prompts

Ajustar un modelo OLS básico

Usa statsmodels para ajustar un modelo OLS para mi conjunto de datos. Agrega un intercepto, resume los coeficientes y explica los diagnósticos clave.

Elegir una familia GLM

Mi variable de resultado no tiene distribución normal. Ayúdame a elegir una familia GLM de statsmodels y una función de enlace, luego enumera los diagnósticos que debería ejecutar.

Comparar modelos de elección discreta

Compara modelos apropiados de statsmodels para este resultado binario, multinomial o de conteo. Incluye orientación de interpretación y métricas de evaluación.

Diseñar un flujo de trabajo de pronóstico

Diseña un flujo de trabajo de pronóstico con statsmodels para esta serie temporal. Incluye pruebas de estacionariedad, selección del orden del modelo, diagnósticos de residuos y validación.

Mejores prácticas

Ajusta la familia del modelo al tipo de resultado antes del ajuste.
Ejecuta diagnósticos después de cada modelo ajustado y ajusta la inferencia cuando fallen los supuestos.
Reporta incertidumbre, tamaños de efecto y resultados de validación junto con estimaciones puntuales.

Evitar

No uses OLS para resultados binarios o de conteo cuando GLM o modelos discretos sean más adecuados.
No interpretes coeficientes sin tener en cuenta funciones de enlace o escalado.
No te bases solo en el ajuste dentro de la muestra para afirmaciones de pronóstico o predicción.

Preguntas frecuentes

¿Para qué es más útil statsmodels?

Statsmodels es ideal para inferencia estadística, regresión, diagnósticos, econometría y modelos de series temporales en Python.

¿En qué se diferencia statsmodels de scikit-learn?

Statsmodels se centra en inferencia, tablas de coeficientes, pruebas y diagnósticos. Scikit-learn se centra más en flujos de trabajo de machine learning predictivo.

¿Puede esta habilidad elegir automáticamente el modelo correcto?

Puede guiar la elección del modelo, pero la selección final depende del resultado, los supuestos, la calidad de los datos y los objetivos del dominio.

¿Esta habilidad ejecuta código por sí misma?

No. Proporciona documentación y orientación. La ejecución de código depende de la herramienta host y del entorno del usuario.

¿Qué diagnósticos debería ejecutar primero?

Empieza con gráficos de residuos, comprobaciones de heterocedasticidad, comprobaciones de normalidad, pruebas de autocorrelación y diagnósticos de influencia.

¿Puede ayudar con el pronóstico de series temporales?

Sí. Cubre ARIMA, SARIMAX, VAR, pruebas de estacionariedad, diagnósticos de residuos, intervalos de pronóstico y validación.