一、Statsmodels 简介：实际生活中有哪些具体用处？

先看几个真实的应用场景：

场景一：企业广告预算分配决策。 假设某电商公司在新媒体平台投放广告，运营部门需要知道哪个渠道的回报率（ROI）更高。如果直接对比总销售额，由于忽略季节性因素和流量量级差异，结论很可能存在偏差。使用statsmodels，可以通过多元线性回归同时控制广告费用、平台属性和时间趋势等因素，定量计算出每个渠道每投入1元的净回报。模型输出的 p 值明确告诉决策者“这个渠道的边际贡献是否统计显著”。一位电商分析师曾基于这一方法建议将20%的预算从回报不显著的某渠道转移到显著渠道，最终季度ROI提升了约15%。

场景二：药企临床试验药效分析。 在药物研发中，传统t检验仅能粗略判断试验组与对照组的均值差异，无法利用受试者的连续观测数据（如每天的血压测量值）来做出精确推断。statsmodels的混合线性模型可以建模个体差异（年龄、性别、病史）和时间点的重复测量效应，从而在控制混杂因素后更精准地估计药物的平均治疗效果。

场景三：商品销量预测。 零售企业在做季节性商品（如粽子、月饼、雨伞）的库存计划时，需要提前预估未来几个月不同渠道的销量范围。statsmodels的SARIMA（季节性自回归移动平均）模型可以自动提取历史销量数据中的长期趋势、年度周期和短期随机波动三大成分，并给出带有置信区间的预测区间。

这些问题的共同特点是：需要严谨证明变量之间的关系，而不是单纯追求预测精度。这正是statsmodels的独特价值所在。

二、安装 Statsmodels

推荐使用 conda 方式安装，自动处理依赖且更稳定：

bash

conda install -c conda-forge statsmodels

使用 pip 安装：

bash

pip install statsmodels

如需安装绘图、测试等可选依赖，可执行：

bash

pip install statsmodels[extras]

验证安装：

python

import statsmodels.api as sm
print(sm.__version__)  # 正常输出版本号如 0.14.0

三、基本用法——从零构建统计模型

我们以 “员工工作时长与项目绩效的关系” 为例，完整展示 Statsmodels 的数据分析和统计建模流程。

步骤 1：准备数据和探索性分析

python

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

# 生成模拟数据：实际场景可从 CSV 或数据库读取
np.random.seed(42)
n = 150
data = pd.DataFrame({
    'hours_worked': np.random.uniform(30, 65, n),          # 周均工时
    'training_hours': np.random.uniform(0, 20, n)          # 培训时长
})
# 构建绩效分数：线性关系 + 随机噪声
data['performance'] = (
    40 + 1.2 * data['hours_worked'] + 
    0.5 * data['training_hours'] + 
    np.random.normal(0, 8, n)
)

# 查看数据概貌
print(data.head())
print(data.describe())

步骤 2：拟合普通最小二乘法（OLS）回归模型

Patsy 公式支持用 "formula" 语法直观地指定因变量和自变量，Statsmodels 自动添加截距项，无需手动调用 sm.add_constant()：

python

# 使用 R 风格的公式语法构建线性模型
model = smf.ols("performance ~ hours_worked + training_hours", data=data)
results = model.fit()

# 输出详细的统计结果（包含系数估计值、标准误、t 统计量、p 值、R² 等）
print(results.summary())

步骤 3：解读统计结果和进行假设检验

模型摘要中的核心指标及其业务含义：“P>|t|” 列的值表示该变量的系数是否统计显著（通常 P<0.05 认为有显著影响）；R-squared 表示模型整体对数据方差的解释比例；Prob (F-statistic) 用于检验所有系数是否同时为零的联合显著性。

python

# 获取特定系数及其置信区间
coef_hours = results.params['hours_worked']
conf_int_hours = results.conf_int().loc['hours_worked']
print(f"工作时长系数: {coef_hours:.3f}")
print(f"95% 置信区间: [{conf_int_hours[0]:.3f}, {conf_int_hours[1]:.3f}]")

步骤 4：模型诊断与可视化

python

import matplotlib.pyplot as plt

# 残差分析：评估模型假设是否满足
fig, axes = plt.subplots(1, 2, figsize=(12, 4))

# Q-Q 图：检验残差是否服从正态分布
sm.qqplot(results.resid, line='s', ax=axes[0])
axes[0].set_title("残差 Q-Q 图")

# 拟合值 vs 残差图：检验方差齐性
axes[1].scatter(results.fittedvalues, results.resid, alpha=0.6)
axes[1].axhline(y=0, color='r', linestyle='--')
axes[1].set_xlabel("拟合值")
axes[1].set_ylabel("残差")
axes[1].set_title("拟合值-残差图")
plt.tight_layout()
plt.show()

# 预测新数据（例如某员工未来预测）
new_data = pd.DataFrame({'hours_worked': [52], 'training_hours': [12]})
prediction = results.predict(new_data)
print(f"预测绩效分数: {prediction[0]:.1f}")

四、高级用法：时间序列分析与假设检验

4.1 时间序列分析与预测

Statsmodels 的 tsa 模块提供了 ARIMA、SARIMA、VAR 和指数平滑等完整的时间序列建模工具。

python

import statsmodels.api as sm
from statsmodels.tsa.arima.model import ARIMA
import pandas as pd
import matplotlib.pyplot as plt

# 构建时间序列数据（月度销售额）
dates = pd.date_range('2023-01-01', periods=60, freq='ME')
np.random.seed(2025)
sales = 500 + 10 * np.arange(60) + 50 * np.sin(2 * np.pi * np.arange(60) / 12) + np.random.normal(0, 30, 60)
ts_data = pd.Series(sales, index=dates, name='sales')

# ARIMA(1,1,1) 模型
model_arima = ARIMA(ts_data, order=(1, 1, 1))
results_arima = model_arima.fit()
print(results_arima.summary())

# 预测未来6个月销售额
forecast = results_arima.forecast(steps=6)
print(f"未来6个月预测值: \n{forecast}")

# 绘制原始序列与预测
plt.figure(figsize=(10, 5))
plt.plot(ts_data.index, ts_data.values, label='实际销售额', color='blue')
plt.plot(pd.date_range('2028-01-31', periods=6, freq='ME'), forecast, 
         marker='o', label='预测值', color='red')
plt.legend(); plt.title("ARIMA 模型销量预测")
plt.show()

在调用 ARIMA 之前，建议先用 adfuller 检验序列平稳性，若发现非平稳则进行差分处理。

4.2 统计假设检验

科学决策经常需要比较两个群体的差异或验证某个假设是否成立：

python

# 双样本 t 检验（例如 A/B 测试）
from scipy import stats
group_A = data[data['hours_worked'] < 45]['performance']
group_B = data[data['hours_worked'] >= 45]['performance']
t_stat, p_value = stats.ttest_ind(group_A, group_B)
print(f"t 统计量: {t_stat:.4f}, p 值: {p_value:.4f}")

if p_value < 0.05:
    print("检验结果：高工时组与低工时组在绩效上存在统计显著差异")

五、实际应用场景：互联网平台 A/B 测试决策分析

互联网公司的日常业务决策很大程度依赖于 A/B 实验，这需要一个经过充分检验的统计框架来避免误判。以下代码演示真实场景中如何基于转化率数据完成假设检验与效应量估算，并给出具有业务可操作性的结论。

python

import statsmodels.api as sm
from statsmodels.stats.proportion import proportions_ztest, proportion_effectsize
from statsmodels.stats.power import NormalIndPower
import numpy as np
import pandas as pd

# 场景：某 APP 测试两种登录界面（A 组：旧版；B 组：新版）对次日留存率的影响
# 样本量：每组 3000 名用户
n_A = 3000
n_B = 3000
converted_A = 420  # 留存用户数
converted_B = 520  # 留存用户数

# 步骤 1：双样本比例检验（Z检验）
count = np.array([converted_A, converted_B])  # 各组的成功数
nobs = np.array([n_A, n_B])                    # 各组的样本量
z_stat, p_value = proportions_ztest(count, nobs, alternative='larger')
print(f"Z统计量: {z_stat:.3f}, p值: {p_value:.5f}")

# 步骤 2：计算效应量（Cohen's h）与实际提升幅度
p_A = converted_A / n_A
p_B = converted_B / n_B
effect_size = proportion_effectsize(p_A, p_B)
relative_lift = (p_B - p_A) / p_A * 100
print(f"对照组留存率: {p_A:.2%}, 实验组留存率: {p_B:.2%}")
print(f"相对提升: {relative_lift:.1f}%, Cohen's h 效应量: {effect_size:.3f}")

# 步骤 3：确定当前检验的统计功效（power）
# 用当前样本量和效应量反推功率
power_analysis = NormalIndPower()
power = power_analysis.power(effect_size=effect_size, nobs1=n_A, alpha=0.05, ratio=n_B/n_A)
print(f"当前检验功效: {power:.2%}")

# 步骤 4：如果需要达到 80% 的统计功效，需要的最低样本量
required_n = power_analysis.solve_power(effect_size=effect_size, power=0.8, alpha=0.05, ratio=1)
print(f"在相同效应下，每组需要的最低样本量: {required_n:.0f}")

# 步骤 5：给出业务决策结论
print("\n=== 业务决策建议 ===")
if p_value < 0.05:
    print(f"✅ 新版界面带来的留存率提升在统计上显著 (p={p_value:.5f} < 0.05)。")
    if effect_size >= 0.2:
        print(f"   效应量 Cohen's h = {effect_size:.3f}，属于中等以上效应，建议全量上线。")
    else:
        print(f"   效应量较小，建议延长实验周期以确认提升是否稳定。")
else:
    print(f"❌ 两组差异未达到统计显著 (p={p_value:.5f})，不建议全量上线。" + 
          f" 如需可靠结论，最低需招募 {required_n:.0f} 个用户进入每个实验组。")

这段代码直接对应互联网产品经理每天在决策中面临的真实统计问题，核心价值在于将“感觉”转化为“数据证明”：当你拿到一段实验数据时，可以立刻检验“新版界面真的更好吗？”以及“这 2% 的提升是随机波动还是系统的进步？”。

六、总结

从严谨的统计推断到完善的时间序列预测，Statsmodels 为数据科学提供了一层“科学决策”的保障。它能帮助你在业务场景中用严谨的统计语言回答“为什么”和“是否显著”这些至关重要的问题。如果你在工作中做过类似的 A/B 实验分析，或者用 Statsmodels 做过一些有意思的预测，欢迎在评论区留言聊聊你的业务场景！