Statsmodel 拦截与 Seaborn lmplot 拦截不同

Question

什么可以解释 statsmodel OLS 回归和 seaborn lmplot 之间截距的差异？

我的 statsmodel 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 seaborn lmplot 代码：

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

我的 statsmodel 截距是 28.9775，而我的 seaborn lmplot 截距大约是 45.5。

问题

• 拦截应该相同吗？
• 为什么可以解释为什么这些不同？ （我可以更改一些代码以使其相等）
• 有没有办法实现类似于 seaborn lmplot 但使用精确回归结果来确保它们对齐的绘图？

编辑

@Massoud 感谢发布。我想我已经意识到问题所在了。我的 x 值范围在 1400 到 2600 之间，y 值范围从 40 到 70。所以使用 seaborn lmplot，它只是绘制回归图，截距基于 X 值的最低范围——截距为 46。

但是对于 statsmodel OLS，它会一直运行直到 X = 0，这就是为什么我得到 28 左右的截距。

所以我想问题是有没有办法使用 seaborn 继续趋势线一直到 x = 0。

我尝试改变轴，但它似乎没有延长线。

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

Answer 1

这很奇怪。也许如果您能提供更多细节，我们可以提供更好的帮助。我试图复制该问题，但两种方法的截距相同。

代码：

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 Seaborn 的情节：