企业官网建设流程全解析

1. 项目概述：为什么是StatsModels？

如果你已经开始用Python处理数据，无论是做学术研究、市场分析还是机器学习项目，大概率已经接触过Pandas和NumPy。它们帮你完成了数据清洗和基础计算，但当你需要回答“变量A和B之间到底有没有关系？”、“这个促销活动到底带来了多少销量增长？”这类问题时，你就需要从描述性统计迈入推断性统计的世界。这时，StatsModels就该登场了。

StatsModels是一个专注于统计建模、假设检验和数据分析的Python库。它不像Scikit-learn那样以预测为核心，而是更侧重于模型的解释、统计推断和假设检验。简单来说，Scikit-learn告诉你“模型预测得准不准”，而StatsModels会深入告诉你“模型为什么这么预测”、“每个因素的影响有多大、是否显著”。对于需要撰写报告、发表论文或进行严谨业务归因的场景，StatsModels是不可或缺的工具。它提供了线性回归、广义线性模型、时间序列分析、非参数方法等丰富的统计模型，其API设计也贴近R语言风格，对熟悉统计学的用户非常友好。

2. 核心需求解析：何时需要StatsModels？

在数据科学项目中，我们常常面临不同的任务目标，选择合适的工具至关重要。StatsModels解决的是以下几类核心需求：

2.1 模型解释与统计推断

这是StatsModels的立身之本。当你需要一份详尽的回归分析报告，里面包含每个系数的估计值、标准误、t统计量、p值以及置信区间时，StatsModels的输出是标准且专业的。例如，在经济学中研究教育年限对收入的影响，你不仅想知道“多读一年书能多赚多少钱”（系数），更想知道“这个结论有多可靠”（p值）和“估计的误差范围有多大”（置信区间）。StatsModels的.summary()方法能一键生成这份报告。

2.2 诊断检验与模型验证

建立一个回归模型后，我们需检验其是否满足基本假设（如残差的正态性、同方差性、无自相关性）。StatsModels内置了丰富的诊断工具，如Durbin-Watson检验（自相关）、Breusch-Pagan检验（异方差）、Jarque-Bera检验（正态性）等。这些检验能帮助你判断模型结果的可靠性，并指导你进行模型改进（如添加变量、变换形式）。

2.3 复杂模型与专门领域分析

除了基础的普通最小二乘法（OLS），StatsModels支持更广泛的模型族：

• 广义线性模型（GLM）：用于因变量不符合正态分布的情况，如逻辑回归（二分类）、泊松回归（计数数据）。
• 时间序列分析：ARIMA、VAR等模型，用于预测和分解具有时间依赖性的数据。
• 方差分析（ANOVA）：检验多组之间均值是否存在显著差异。
• 生存分析：用于分析事件发生时间的数据。

当你面对这些特定类型的建模任务时，StatsModels提供了比通用机器学习库更专业、更全面的解决方案。

2.4 与Pandas的无缝集成

StatsModels的设计与Pandas的DataFrame深度结合。你可以直接使用DataFrame的列名作为公式的一部分，使得模型设定非常直观，代码可读性极高。例如，smf.ols('price ~ area + bedrooms', data=df)这样的公式接口，几乎是将统计学教科书上的模型写法直接搬到了代码里。

3. 环境准备与核心工具链

工欲善其事，必先利其器。一个稳定、隔离的Python环境是进行数据分析和建模的前提，它能避免不同项目间的包版本冲突。

3.1 Python环境搭建：Anaconda vs 原生Python

对于数据科学新手，我强烈推荐从Anaconda发行版开始。它是一个集成了Python、包管理工具conda以及数百个数据科学相关库（包括NumPy, Pandas, Matplotlib, StatsModels, Scikit-learn等）的科学计算平台。其优势在于开箱即用，环境管理直观。 安装完成后，你可以通过Anaconda Navigator图形界面或命令行来管理环境和安装包。对于有一定经验的用户，也可以使用原生Python配合pip和venv，这种方式更轻量，但对用户的依赖管理能力要求稍高。

3.2 安装StatsModels

无论使用哪种Python环境，安装StatsModels都非常简单。

• 使用conda安装（推荐用于Anaconda用户）：

  conda install statsmodels

  conda会自动处理StatsModels所依赖的NumPy、SciPy、Pandas等库的兼容版本。
• 使用pip安装：

  pip install statsmodels

3.3 配套工具与IDE选择

• Jupyter Notebook / JupyterLab：交互式数据分析的黄金标准。它允许你将代码、可视化图表、公式和文字叙述融合在一个文档中，非常适合探索性数据分析和教学演示。StatsModels的模型结果可以很方便地在Notebook中展示。
• VS Code：功能强大的通用代码编辑器。通过安装Python扩展和Jupyter扩展，它也能提供类似Notebook的交互式单元格体验，同时具备更好的代码调试、版本控制和管理大型项目的能力。你需要正确配置Python解释器路径。
• PyCharm：专业的Python IDE，尤其适合大型、复杂的项目。它提供了强大的代码自动补全、重构和调试工具。

注意：无论选择哪种IDE，请确保你激活了正确的Python环境（或虚拟环境），并在该环境下安装StatsModels。一个常见的错误是在系统Python中安装了包，却在项目的虚拟环境中运行代码，导致ImportError。

3.4 核心依赖库简介

StatsModels建立在几个核心科学计算库之上，了解它们有助于理解错误信息：

• NumPy：提供高性能的多维数组对象和数学函数。StatsModels的底层计算大量依赖NumPy数组。
• Pandas：提供DataFrame数据结构，用于表格数据的读写、清洗、转换和分析。StatsModels的模型接口主要接收Pandas的DataFrame。
• SciPy：提供科学计算的基础算法，如优化、线性代数、积分、插值等。StatsModels的许多统计检验和分布函数依赖于SciPy。
• Matplotlib/Seaborn：绘图库。虽然StatsModels自身有一些绘图功能（如plot_partial_regression），但更复杂的可视化通常需要结合这些专门的绘图库来完成。

4. StatsModels核心模块与API初探

安装好后，让我们快速浏览一下StatsModels的主要组成部分和两种核心的API风格，这能帮助你在后续建模时选择最顺手的方式。

4.1 主要模块构成

StatsModels的功能按模块组织，常用的有：

• statsmodels.api：通常以import statsmodels.api as sm导入。这是“数组接口”（array interface），要求用户将自变量和因变量准备为独立的NumPy数组或Pandas Series。这种方式更底层，控制更精细。
• statsmodels.formula.api：通常以import statsmodels.formula.api as smf导入。这是“公式接口”（formula interface），允许用户使用R语言风格的字符串公式（如‘y ~ x1 + x2’）来指定模型，数据直接传入一个DataFrame。这种方式更简洁、直观，尤其适合从统计软件转过来的用户。
• statsmodels.tsa.api：时间序列分析模块。
• statsmodels.discrete：离散选择模型（如逻辑回归）。
• statsmodels.robust：稳健回归模型。

对于初学者和大多数回归任务，smf（公式接口）是更友好的起点。

4.2 数组接口 vs 公式接口：一个简单对比

假设我们有一个DataFramedf，包含因变量price和自变量area,bedrooms。

使用公式接口（smf）：

import statsmodels.formula.api as smf model = smf.ols('price ~ area + bedrooms', data=df) results = model.fit() print(results.summary())

这种方式极其直观，公式‘price ~ area + bedrooms’直接对应统计学模型。添加交互项或多项式也很方便，如‘price ~ area + bedrooms + area:bedrooms’或‘price ~ area + I(area**2)’。

使用数组接口（sm）：

import statsmodels.api as sm # 需要手动准备因变量y和自变量X（需添加常数项） X = df[['area', 'bedrooms']] X = sm.add_constant(X) # 非常重要！添加常数项（截距） y = df['price'] model = sm.OLS(y, X) results = model.fit() print(results.summary())

数组接口要求显式地将自变量组合成矩阵X，并且必须记得使用sm.add_constant来添加截距项，否则模型会强制通过原点，这通常不符合实际情况。这种方式在编程式生成大量模型或处理特殊数据结构时更有优势。

实操心得：我个人的习惯是，在探索性分析和快速建模时使用smf公式接口，因为写起来快，不易出错（忘加截距）。而在构建自动化建模管道或处理自定义设计矩阵时，使用sm数组接口，因为它更灵活，与NumPy/Pandas的数组操作结合更紧密。

4.3 模型拟合与结果解读

无论使用哪种接口，.fit()方法都是启动模型估计的核心。拟合后返回的结果对象（如results）包含了所有信息。 调用results.summary()会打印出一张非常丰富的统计表格，主要包含三大部分：

1. 模型概览：R-squared（拟合优度）、Adj. R-squared（调整后拟合优度）、F-statistic（F统计量）等，用于评估模型整体表现。
2. 系数表：这是核心。列出了每个自变量（包括截距const）的：
   • coef：系数估计值。解释为“在其他变量不变的情况下，该自变量每变动一个单位，因变量平均变动coef个单位”。
   • std err：标准误。衡量系数估计的精确度，越小越好。
   • t：t统计量，等于coef / std err。
   • P>|t|：p值。检验该系数是否显著不等于0。通常p<0.05认为在95%置信水平下显著。
   • [0.025 0.975]：95%置信区间。我们有95%的把握认为，真实的系数值落在这个区间内。
3. 诊断检验：如Omnibus、Jarque-Bera（检验残差正态性）、Durbin-Watson（检验残差自相关）等。

学会阅读这份摘要表，是使用StatsModels进行统计分析的基本功。

5. 从零实现一个完整的OLS回归案例

让我们通过一个完整的、可复现的案例，将上述所有知识点串联起来。我们将使用一个模拟的房屋数据集，研究房屋面积和卧室数量对价格的影响。

5.1 数据准备与探索

首先，我们生成一些模拟数据并做初步观察。

import numpy as np import pandas as pd import statsmodels.formula.api as smf import matplotlib.pyplot as plt import seaborn as sns # 设置随机种子保证可复现 np.random.seed(42) # 生成模拟数据 n_samples = 100 area = np.random.normal(120, 30, n_samples) # 面积，均值120平米，标准差30 bedrooms = np.random.randint(1, 5, n_samples) # 卧室数，1到4间 # 生成价格：基础价格 + 面积效应 + 卧室效应 + 随机噪声 price = 200000 + 3000 * area + 50000 * bedrooms + np.random.normal(0, 50000, n_samples) # 创建DataFrame df = pd.DataFrame({'price': price, 'area': area, 'bedrooms': bedrooms}) print(df.head()) print(df.describe()) # 可视化关系 fig, axes = plt.subplots(1, 2, figsize=(12, 4)) sns.scatterplot(data=df, x='area', y='price', ax=axes[0]) axes[0].set_title('Price vs Area') sns.boxplot(data=df, x='bedrooms', y='price', ax=axes[1]) axes[1].set_title('Price vs Bedrooms') plt.tight_layout() plt.show()

这一步帮助我们理解数据的基本分布和变量间的初步关系。散点图能看面积与价格的趋势，箱线图能看不同卧室数下的价格分布。

5.2 模型建立与拟合

使用公式接口建立多元线性回归模型。

# 使用公式接口建立模型 model = smf.ols('price ~ area + bedrooms', data=df) # 拟合模型 results = model.fit()

就这么简单，两行代码。smf.ols指定了模型和方法（普通最小二乘），‘price ~ area + bedrooms’定义了模型结构，data=df指明了数据源。

5.3 结果解读与诊断

现在，查看我们最关心的模型摘要。

print(results.summary())

输出表格会非常长，我们聚焦关键信息：

• R-squared: 例如0.85，表示模型解释了价格85%的变异。调整后的R-squared（Adj. R-squared）考虑了自变量个数，更为稳健。
• 系数表:
  • const（截距）: 估计值可能在20万左右，代表面积为0、卧室为0时的“基础价格”（在现实中可能无实际意义，更多是数学上的调整）。
  • area: 系数估计值应接近我们模拟的3000。p值（P>|t|）应远小于0.05，表示面积对价格有显著正向影响。置信区间也应围绕3000。
  • bedrooms: 系数估计值应接近50000，同样显著。
• F-statistic: 其p值（Prob F-statistic）远小于0.05，说明模型整体是显著的，至少有一个自变量对因变量有解释力。

5.4 模型诊断与假设检验

一个负责任的建模者不能只看summary()就下结论，必须检验模型假设。StatsModels提供了便捷的诊断绘图。

# 绘制回归诊断图 fig = plt.figure(figsize=(12, 8)) # 使用StatsModels内置的诊断绘图功能 sm.graphics.plot_regress_exog(results, 'area', fig=fig) # 也可以使用更综合的诊断图 fig = sm.graphics.plot_partial_regression_grid(results, fig=fig) # 注意：此函数用法可能有变，新版推荐用plot_partial_regression plt.tight_layout() plt.show() # 更常用的综合诊断四图 fig = sm.graphics.plot_regress_exog(results, 'area') # 针对单个变量的诊断 # 或者使用更传统的残差诊断图（需从results中提取残差等） residuals = results.resid fitted_values = results.fittedvalues fig, axes = plt.subplots(2, 2, figsize=(12, 10)) # 1. 残差与拟合值图（检验同方差性） axes[0, 0].scatter(fitted_values, residuals) axes[0, 0].axhline(y=0, color='r', linestyle='--') axes[0, 0].set_xlabel('Fitted Values') axes[0, 0].set_ylabel('Residuals') axes[0, 0].set_title('Residuals vs Fitted') # 2. Q-Q图（检验残差正态性） sm.qqplot(residuals, line='45', fit=True, ax=axes[0, 1]) axes[0, 1].set_title('Normal Q-Q') # 3. 标准化残差平方根与拟合值图（也检验同方差性） standardized_residuals = np.sqrt(np.abs(residuals / residuals.std())) axes[1, 0].scatter(fitted_values, standardized_residuals) axes[1, 0].set_xlabel('Fitted Values') axes[1, 0].set_ylabel('Sqrt(|Standardized Residuals|)') axes[1, 0].set_title('Scale-Location') # 4. 残差与杠杆值图（识别强影响点） sm.graphics.influence_plot(results, ax=axes[1, 1], criterion="cooks") axes[1, 1].set_title('Residuals vs Leverage') plt.tight_layout() plt.show()

通过这些图，我们可以判断：

1. 残差vs拟合值图：点应随机分布在水平线y=0周围，无明显的漏斗或曲线形状，否则可能存在异方差或非线性关系。
2. Q-Q图：点应大致分布在45度对角线上，否则残差可能偏离正态分布。
3. Scale-Location图：类似第一张图，用于判断异方差性。
4. 残差vs杠杆图：帮助识别高杠杆点（对模型参数影响大的点）和高残差点（模型预测不好的点）。图中右上或右下的点需要特别关注。

5.5 模型预测与应用

模型通过检验后，就可以用来预测了。

# 预测已有数据 df['predicted_price'] = results.predict() # 不传参数则预测训练样本 print(df[['price', 'predicted_price']].head()) # 预测新数据 new_data = pd.DataFrame({'area': [150, 200], 'bedrooms': [3, 4]}) new_predictions = results.predict(new_data) print("对新数据的预测价格：") print(new_predictions) # 获取预测的置信区间 predictions_summary = results.get_prediction(new_data).summary_frame(alpha=0.05) # 95%置信区间 print(predictions_summary[['mean', 'mean_se', 'mean_ci_lower', 'mean_ci_upper']])

.predict()方法非常方便。get_prediction()不仅能给出点预测（mean），还能给出预测的标准误（mean_se）和置信区间（mean_ci_lower, mean_ci_upper），这对于评估预测的不确定性至关重要。

6. 常见问题、误区与排查技巧

在实际使用中，你肯定会遇到各种报错和令人困惑的结果。这里记录了一些典型问题和我的解决思路。

6.1 安装与导入问题

• ImportError: cannot import name ‘xxx’ from ‘statsmodels’： 这通常是版本不匹配或环境混乱导致的。首先，确认你安装的StatsModels版本。在终端执行pip show statsmodels或conda list statsmodels。尝试升级到最新稳定版：pip install --upgrade statsmodels。如果问题依旧，检查你的Python环境路径，确保你不是在多个Python版本或环境中切换导致了混乱。一个干净的重置方法是：创建一个新的虚拟环境，然后重新安装所有依赖。

• ModuleNotFoundError: No module named ‘patsy’： 当你使用公式接口（smf）时，需要patsy这个包来解析公式。它通常会和StatsModels一起被安装。如果缺失，手动安装即可：pip install patsy。

6.2 模型拟合与结果解读问题

• 系数符号与预期相反： 这可能是多重共线性的典型信号。当两个或多个自变量高度相关时，模型很难区分它们各自对因变量的独立影响，导致系数估计不稳定甚至符号错误。解决方法：1) 检查自变量间的相关系数矩阵（df.corr()），剔除相关性极高的变量之一；2) 使用方差膨胀因子（VIF）来量化共线性程度。StatsModels没有直接计算VIF的函数，但可以用statsmodels.stats.outliers_influence.variance_inflation_factor来计算。

  from statsmodels.stats.outliers_influence import variance_inflation_factor from statsmodels.tools.tools import add_constant X = add_constant(df[['area', 'bedrooms']]) # 计算VIF需要包含常数项 vif_data = pd.DataFrame() vif_data["feature"] = X.columns vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])] print(vif_data)

  通常，VIF大于10（有些严格标准是5）就表明存在严重的多重共线性。

• R-squared很高，但系数都不显著（p值很大）： 这同样是多重共线性的一个可能迹象。模型整体拟合度看似不错（所有变量联合解释力强），但无法辨别出单个变量的贡献。另一个可能是样本量太小。检查共线性并考虑增加样本量。

• OLS模型拟合时提示‘LinAlgError: Singular matrix’： 矩阵奇异，无法求逆。这通常意味着你的自变量中存在完全共线性。例如，不小心把因变量也放入了自变量，或者自变量中有一列是常数，或者其中一列是其他几列的线性组合（比如“总面积”和“卧室面积+客厅面积”同时存在）。检查你的数据，移除冗余变量。

6.3 使用数组接口（sm.api）时的经典错误

• 忘记添加常数项（截距）： 这是新手使用数组接口时最常犯的错误。如果你使用sm.OLS(y, X)，而X中没有一列全为1的值，那么模型会强制拟合一个通过原点的回归线（即截距为0）。这通常不符合实际情况，会导致系数估计有偏。务必在拟合前使用X = sm.add_constant(X)。

• 因变量y或自变量X的数据类型问题：sm.OLS期望输入是类似数组的对象。如果你传入的是Pandas DataFrame的单个列（Series），没问题。但如果你传入一个多列的DataFrame作为y，可能会出错。确保y是一维的，X是二维的。

6.4 模型诊断与优化

• 残差图显示明显的模式（如曲线、漏斗形）： 这违背了线性回归的“线性”和“同方差”假设。

  • 非线性：尝试对自变量或因变量进行变换，如取对数（np.log(area)）、平方根，或添加多项式项（在公式中用I(area**2)）。
  • 异方差（漏斗形）：可以考虑使用加权最小二乘法（WLS）代替OLS，或者对因变量进行变换（如对数变换）。StatsModels中可以使用sm.WLS。
  • 残差自相关（时间序列数据中常见）：考虑使用时间序列模型，或在线性模型中添加滞后项。

• Q-Q图显示残差非正态： 对于大样本数据，中心极限定理保证了系数估计量的渐近正态性，因此轻微的偏离正态可能影响不大，但会影响假设检验（p值）的精确性。可以考虑：1) 检查是否有异常值；2) 对变量进行变换；3) 使用更稳健的估计方法。

• 存在强影响点（高杠杆点、离群点）： 在残差vs杠杆图中，右上角的点对模型参数影响巨大。需要审视这些数据点是否合理。如果是数据录入错误，则修正或删除。如果是真实的极端值，可以考虑使用稳健回归（sm.RLM），它对异常值不敏感。

6.5 公式接口（smf）使用技巧

• 分类变量的处理： StatsModels的公式接口能自动处理分类变量（C()）。例如，‘price ~ area + C(bedrooms)’会把bedrooms当作分类变量，为每个类别（除了一个作为基准）生成一个虚拟变量。这对于卧室数量这种虽然是整数但更适合看作分类的情况很有用。

  model_cat = smf.ols('price ~ area + C(bedrooms)', data=df).fit() print(model_cat.summary())

• 交互项： 使用冒号:表示交互项。‘price ~ area + bedrooms + area:bedrooms’表示同时考虑面积和卧室数的主效应以及它们的交互效应。星号*表示主效应加交互效应，即A*B等价于A + B + A:B。

• 公式中函数的使用： 可以使用I()来包裹数学表达式，防止公式解析器误解。例如，‘price ~ area + I(area**2)’添加了面积的二次项。也可以使用np.log()等NumPy函数，如‘np.log(price) ~ area’。

7. 进阶应用：从OLS走向更广阔的模型世界

掌握了OLS之后，StatsModels的宝库才刚刚打开。你的数据和分析需求会引导你探索更复杂的模型。

7.1 广义线性模型（GLM）

当你的因变量不是连续的正态分布数据时，OLS就不适用了。例如：

• 因变量是二元的（0/1，成功/失败）：使用逻辑回归（Logistic Regression）。

  # 假设df中有一个‘sold’列，表示房屋是否售出（1或0） model_logit = smf.glm('sold ~ area + price', data=df, family=sm.families.Binomial()).fit() print(model_logit.summary()) # 系数解释为对数几率（log-odds）的变化

• 因变量是计数数据（如一周内的客户访问次数）：使用泊松回归或负二项回归。

  model_poisson = smf.glm('visit_count ~ marketing_spend', data=df, family=sm.families.Poisson()).fit()

GLM通过一个链接函数（link function）将因变量的期望值与自变量的线性组合连接起来，从而处理非正态的响应变量。

7.2 时间序列分析

对于按时间顺序收集的数据（如每日销售额、月度气温），StatsModels的tsa模块提供了强大工具。

• ARIMA模型：用于单变量时间序列的预测。

  from statsmodels.tsa.arima.model import ARIMA # 假设‘sales’是一个Pandas Series，索引是时间 model_arima = ARIMA(df['sales'], order=(1,1,1)) # (p,d,q)参数 results_arima = model_arima.fit() results_arima.summary() forecast = results_arima.forecast(steps=10) # 预测未来10期

7.3 模型比较与选择

当你建立了多个候选模型（例如，一个包含交互项的模型和一个不包含的模型），可以使用统计检验来比较它们。

• 似然比检验（Likelihood Ratio Test）：适用于嵌套模型（一个模型是另一个模型的特殊形式）。

  model_simple = smf.ols('price ~ area', data=df).fit() model_complex = smf.ols('price ~ area + bedrooms + area:bedrooms', data=df).fit() # 执行似然比检验 lr_test_statistic = -2 * (model_simple.llf - model_complex.llf) # llf是对数似然值 # 自由度是复杂模型与简单模型的参数个数差 from scipy.stats import chi2 p_value = chi2.sf(lr_test_statistic, df=2) # 假设参数差为2 print(f"LR test p-value: {p_value:.4f}") # 如果p值很小（<0.05），则拒绝简单模型，支持复杂模型。

• 信息准则：如AIC（Akaike Information Criterion）和BIC（Bayesian Information Criterion），可用于比较非嵌套模型。值越小，模型在拟合优度和复杂度之间的权衡越好。可以直接从results.aic和results.bic获取。

8. 与Scikit-learn的协同：取长补短

你可能会问，既然Scikit-learn也有线性回归（LinearRegression），我该用哪个？答案是：结合使用，各取所长。

• Scikit-learn的优势：

  • 统一的API：fit、predict、score，与机器学习工作流（如管道Pipeline、网格搜索GridSearchCV）集成得天衣无缝。
  • 性能与扩展：对于超大数据集，有时优化得更好，且易于与其它预测模型（如随机森林、SVM）结合成集成模型。
  • 预测导向：更关注预测准确度（如MSE, R² score）。

• StatsModels的优势：

  • 统计推断：提供详细的假设检验、p值、置信区间，这是Scikit-learn所缺乏的。
  • 模型诊断：丰富的诊断工具和统计检验。
  • 专业模型：更全面的传统统计模型，如时间序列、面板数据模型。

最佳实践：

1. 探索与解释阶段用StatsModels：当你需要理解变量关系、检验假设、撰写分析报告时。
2. 构建预测管道用Scikit-learn：当你需要将回归模型作为复杂机器学习流水线的一部分，进行交叉验证、超参数调优和部署时。

你甚至可以将两者结合：用StatsModels做深入分析和变量筛选，然后用筛选后的变量在Scikit-learn中构建最终的预测模型。例如，先用StatsModels的回归找出显著变量（p<0.05），再将这些变量用于Scikit-learn的LinearRegression或更复杂的模型中进行预测优化。

我个人在项目中经常这样操作：先用smf.ols快速跑一遍，看哪些变量显著、是否存在共线性、模型假设是否满足。在确认数据质量和模型设定没问题后，如果项目核心是预测，我会将数据导入Scikit-learn的流程，利用其Pipeline和GridSearchCV来优化预测性能。这套组合拳，既能保证分析的深度，又能兼顾工程的效率。