statsmodels
使用statsmodels应用统计模型
Também disponível em: davila7
使用OLS、GLM、ARIMA和离散选择模型进行严格的统计分析。获得可直接发表的结果,包含完整的诊断、系数表和残差分析。
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "statsmodels". 拟合带有稳健标准误的OLS模型并显示关键诊断
Resultado esperado:
- OLS回归结果:
- R方:0.452
- 系数(X1):2.31(p < 0.001)
- 稳健HC3标准误:0.42
- 异方差性检验(Breusch-Pagan):p = 0.23(未拒绝)
- 正态性检验(Jarque-Bera):p = 0.41(未拒绝)
Auditoria de Segurança
SeguroDocumentation-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.
Fatores de risco
⚡ Contém scripts (8)
⚙️ Comandos externos (353)
🌐 Acesso à rede (5)
Pontuação de qualidade
O Que Você Pode Construir
回归分析
使用稳健标准误和诊断检验拟合线性和广义线性模型
计量经济学建模
使用正确的推断、假设检验和模型比较估计因果效应
时间序列预测
构建带置信区间和残差诊断的ARIMA模型进行预测
Tente Estes Prompts
使用statsmodels拟合带有稳健标准误的OLS回归模型。显示系数摘要并检验异方差性。
为二元结果构建逻辑回归模型。计算优势比、边际效应和分类指标。
使用ARIMA分析该时间序列数据。检验平稳性、识别模型阶数、拟合模型并生成12步预测和预测区间。
使用AIC、BIC和似然比检验比较几种模型规范。推荐最佳模型并给出理由。
Melhores Práticas
- 始终使用sm.add_constant()添加常数,除非有意排除截距
- 拟合后检验模型假设(异方差性、正态性、自相关)
- 检测到假设违规时使用稳健标准误(HC0-HC3)
- 报告置信区间以及点估计以进行推断
Evitar
- 忘记添加常数会导致截距估计偏误
- 忽视异方差性会使推断无效
- 对二元结果使用OLS会产生不正确的概率
- 解释前不检查有影响力的观测值
Perguntas Frequentes
OLS和GLM有什么区别?
如何在Logit和Probit之间选择?
ARIMA应该使用什么阶数?
何时应该使用稳健标准误?
如何比较嵌套模型?
拟合后应该运行哪些诊断检验?
Detalhes do Desenvolvedor
Autor
K-Dense-AILicença
BSD-3-Clause license
Repositório
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/statsmodelsReferência
main
Estrutura de arquivos