OLS, GLM, ARIMA 및 이산 선택 모델을 사용하여 엄격한 통계 분석을 수행합니다. 전체 진단, 계수 테이블 및 잔차 분석과 함께 출판 준비가 완료된 결과를 얻으세요.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"statsmodels" 사용 중입니다. 강건한 표준 오차와 함께 OLS 모델을 피팅하고 주요 진단을 보여줍니다
예상 결과:
- OLS 회귀 결과:
- R-squared: 0.452
- 계수 (X1): 2.31 (p < 0.001)
- 강건한 HC3 SE: 0.42
- 이분상성 테스트 (Breusch-Pagan): p = 0.23 (기각되지 않음)
- 정규성 테스트 (Jarque-Bera): p = 0.41 (기각되지 않음)
보안 감사
안전Documentation-only skill containing markdown files with Python code examples. Static scanner flagged 434 alerts but all are false positives. The skill contains no executable code - only documentation for the statsmodels statistical library. Scanner misinterpreted markdown backticks as shell commands, statistical terms (HC2, HC3) as C2 indicators, and common patterns as cryptographic algorithms.
위험 요인
⚡ 스크립트 포함 (8)
⚙️ 외부 명령어 (353)
🌐 네트워크 접근 (5)
품질 점수
만들 수 있는 것
회귀 분석
강건한 표준 오차와 진단 테스트를 사용하여 선형 및 일반화 선형 모델 피팅
계량경제 모델링
적절한 추론, 가설 테스트 및 모델 비교를 사용하여 인과 효과 추정
시계열 예측
신뢰 구간 및 잔차 진단과 함께 예측을 위한 ARIMA 모델 구축
이 프롬프트를 사용해 보세요
강건한 표준 오차를 사용하여 statsmodels로 OLS 회귀 모델 피팅합니다. 계수 요약을 보여주고 이분상성을 테스트하세요.
이진 결과에 대한 로지스틱 회귀 모델을 구축합니다. 승산비, 한계 효과 및 분류 지표를 계산하세요.
ARIMA로 이 시계열 데이터를 분석합니다. 정상성을 확인하고, 모델 차수를 식별하고, 모델을 피팅하며, 12단계 예측과 예측 구간을 생성합니다.
AIC, BIC 및 우도비 검정을 사용하여 여러 모델 사양을 비교합니다. 정당화와 함께 최선의 모델을 추천합니다.
모범 사례
- 상수를 의도적으로 제외하지 않는 한 항상 sm.add_constant()로 상수를 추가하세요
- 피팅 후 모델 가정(이분상성, 정규성, 자기상관)을 테스트하세요
- 가정 위반이 감지되면 강건한 표준 오차(HC0-HC3)를 사용하세요
- 추론을 위해 점 추정값과 함께 신뢰 구간을 보고하세요
피하기
- 상수 추가를 잊으면 절편 추정이 편향됩니다
- 이분상성을 무시하면 추론이 무효화됩니다
- 이진 결과에 OLS를 사용하면 확률이 잘못 계산됩니다
- 해석 전에 영향력 있는 관찰을 확인하지 않습니다
자주 묻는 질문
OLS와 GLM의 차이점은 무엇입니까?
로짓과 프로빗 중 어떻게 선택합니까?
ARIMA에 어떤 차수를 사용해야 합니까?
강건한 표준 오차를 언제 사용해야 합니까?
중첩된 모델을 어떻게 비교합니까?
피팅 후 어떤 진단 테스트를 실행해야 합니까?
개발자 세부 정보
작성자
K-Dense-AI라이선스
BSD-3-Clause license
리포지토리
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/statsmodels참조
main
파일 구조