SPSS和statsmodels中逻辑回归的不同p值

Question

我尝试在 Python 中使用 statsmodel 进行单变量分析（二元逻辑回归，每次一个特征），以计算不同特征的 p 值。

for f_col in f_cols:
    model = sm.Logit(y,df[f_col].astype(float))
    result = model.fit()
    features.append(str(result.pvalues).split('   ')[0])
    pvals.append(str(result.pvalues).split('   ')[1].split('\n')[0])

df_pvals = pd.DataFrame(list(zip(features, pvals)), 
           columns =['features', 'pvals']) 
df_pvals

但是，SPSS 中的结果不同。 sm.Logit 方法中NYHA 的 p 值为 0。而且所有的 p 值都不同。

1. 在statsmodel中使用sm.Logit做二元逻辑回归是否正确？
2. 为什么结果之间存在差异？大概sm.Logit 使用L1 正则化？
3. 我应该如何获得相同的？

非常感谢！

Answer 1

SPSS 回归建模程序会自动包含常数项或截距项，除非他们被告知不要这样做。正如 Josef 所提到的，statsmodels 似乎要求您显式添加截距。