Statsmodel拦截与Seaborn拦截不同

Question

如何解释状态模型OLS回归和海运lmplot在截取方面的差异？

我的状态模型代码：

X = mmm_ma[['Xvalue']]
Y = mmm_ma['Yvalue']
model2 = sm.OLS(Y,sm.add_constant(X), data=mmm_ma)
model_fit = model2.fit()
model_fit.summary()

我的海运代码：

sns.lmplot(x='Xvalue', y='Yvalue', data=mmm_ma)

我的状态模型拦截为28.9775，而我的海运拦截约为45.5。

问题

• 拦截应该是相同的吗？
• 为什么会解释为什么这些是不同的？(我可以更改一些代码使其相等吗)
• 是否有一种方法可以实现类似于海运地形图的绘图，但使用精确的回归结果来确保它们对齐？

编辑

@Massoud，谢谢你张贴这篇文章。我想我已经意识到问题出在哪里。我的x值在1400到2600之间，y值在40到70之间。因此，使用海运lmplot，它只是绘制回归图，截距是基于最低范围X值，也就是46的截距。

​

​

然而，对于statsmodel OLS，它将直线保持到X= 0，这就是为什么我得到了大约28的截距。

所以我想问题是有一种方法来继续趋势线，用海运一直走到x= 0为止。

​

​

我试着改变轴线，但它似乎没有延长这条线。

axes = lm.axes
axes[0,0].set_xlim(0,)

​

​

Answer 1

这很奇怪。也许如果你能提供更多的细节，我们可以帮助更好。我试图复制这个问题，但是我从这两种方法中获得了相同的拦截。

守则：

import matplotlib.pyplot as plt
import statsmodels.regression.linear_model as sm
import seaborn as sns
import pandas as pd
import numpy as np
np.random.seed(0)

mmm_ma = {'Xvalue': range(0, 40), 'Yvalue': np.random.randint(low=0, high=40, size=40)}

mmm_ma = pd.DataFrame(mmm_ma)

X = mmm_ma[['Xvalue']]
Y = mmm_ma['Yvalue']
model2 = sm.OLS(Y,sm.add_constant(X), data=mmm_ma)
model_fit = model2.fit()
print(model_fit.summary())


sns.lmplot(x='Xvalue', y='Yvalue', data=mmm_ma)
plt.show()

这是输出：

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                 Yvalue   R-squared:                       0.005
Model:                            OLS   Adj. R-squared:                 -0.021
Method:                 Least Squares   F-statistic:                    0.2071
Date:                Wed, 18 Jul 2018   Prob (F-statistic):              0.652
Time:                        00:51:04   Log-Likelihood:                -155.75
No. Observations:                  40   AIC:                             315.5
Df Residuals:                      38   BIC:                             318.9
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const         17.2183      3.783      4.551      0.000       9.559      24.877
Xvalue         0.0760      0.167      0.455      0.652      -0.262       0.414
==============================================================================
Omnibus:                        3.327   Durbin-Watson:                   1.618
Prob(Omnibus):                  0.189   Jarque-Bera (JB):                1.738
Skew:                           0.197   Prob(JB):                        0.419
Kurtosis:                       2.058   Cond. No.                         44.5
==============================================================================

下面是“海选”的情节：

​