Python负二项回归 - 结果不匹配R的那些

Question

我正在使用Python试验负二项回归。我发现，使用R这个例子中，使用的数据集一起：

http://www.karlin.mff.cuni.cz/~pesta/NMFM404/NB.html

我尝试使用此代码复制网页上的结果：

import pandas as pd 
import statsmodels.formula.api as smf 
import statsmodels.api as sm 

df = pd.read_stata("http://www.karlin.mff.cuni.cz/~pesta/prednasky/NMFM404/Data/nb_data.dta") 

model = smf.glm(formula = "daysabs ~ math + prog", data=df, family=sm.families.NegativeBinomial()).fit() 

model.summary() 

不幸的是这并没有给相同的系数。它给出了以下内容：

coef  std err  z  P>|z| [95.0% Conf. Int.] 
Intercept 3.4875  0.236 14.808 0.000 3.026 3.949 
math  -0.0067  0.003 -2.600 0.009 -0.012 -0.002 
prog  -0.6781  0.101 -6.683 0.000 -0.877 -0.479 

这些甚至不接近网站上的那些。假设R代码是正确的，我做错了什么？

Answer 1

其原因的差异是，当你在与熊猫数据集中读取，在prog变量如float类型默认处理：

df.prog.head() 

0 2.0 
1 2.0 
2 2.0 
3 2.0 
4 2.0 
Name: prog, dtype: float32 

在R例如，在另一方面，在prog变量被明确地转换为因子（分类）变量：

dat <- within(dat, { 
    prog <- factor(prog, levels = 1:3, labels = c("General", "Academic", "Vocational")) 
    id <- factor(id) 
}) 

其结果是，当你看到在R上的契合总结，你可以看到prog变量已经被拆分成n-1的二进制编码方面：

> summary(m1 <- glm.nb(daysabs ~ math + prog, data = dat)) 

Call: 
glm.nb(formula = daysabs ~ math + prog, data = dat, init.theta = 1.032713156, 
    link = log) 

Deviance Residuals: 
    Min  1Q Median  3Q  Max 
-2.1547 -1.0192 -0.3694 0.2285 2.5273 

Coefficients: 
       Estimate Std. Error z value Pr(>|z|)  
(Intercept)  2.615265 0.197460 13.245 < 2e-16 *** 
math   -0.005993 0.002505 -2.392 0.0167 * 
progAcademic -0.440760 0.182610 -2.414 0.0158 * 
progVocational -1.278651 0.200720 -6.370 1.89e-10 *** 

比较这对prog变量如何出现在您发布的Python的契合总结。

要解决此问题，可以使用C() function将变量强制转换为statsmodels中的分类。这样你会得到相同的结果：

model = smf.glm(formula = "daysabs ~ math + C(prog)", data=df, family=sm.families.NegativeBinomial()).fit() 
model.summary() 

<class 'statsmodels.iolib.summary.Summary'> 
""" 
       Generalized Linear Model Regression Results     
============================================================================== 
Dep. Variable:    daysabs No. Observations:     314 
Model:       GLM Df Residuals:      310 
Model Family:  NegativeBinomial Df Model:       3 
Link Function:     log Scale:     1.06830885199 
Method:       IRLS Log-Likelihood:    -865.68 
Date:    Thu, 16 Feb 2017 Deviance:      350.98 
Time:      10:34:16 Pearson chi2:      331. 
No. Iterations:      6           
================================================================================== 
        coef std err   z  P>|z|  [0.025  0.975] 
---------------------------------------------------------------------------------- 
Intercept   2.6150  0.207  12.630  0.000  2.209  3.021 
C(prog)[T.2.0] -0.4408  0.192  -2.302  0.021  -0.816  -0.065 
C(prog)[T.3.0] -1.2786  0.210  -6.079  0.000  -1.691  -0.866 
math    -0.0060  0.003  -2.281  0.023  -0.011  -0.001 
================================================================================== 
"""