statsmodels
作者 K-Dense-AI当你在 Python 数据分析中需要统计建模、推断和诊断时，statsmodels 技能可帮助你使用 statsmodels。它适用于 OLS、GLM、离散因变量、时间序列和混合模型，并提供系数表、p 值、置信区间和假设检验。可将这份 statsmodels 指南用于计量经济学、预测和可交付、可辩护的报告输出。
该技能得分为 74/100，说明它适合目录用户浏览和收藏，但更适合作为一个扎实、功能有限的实用项来呈现，而不是一套打磨完全的工作流包。这个仓库提供了足够具体的指引，能够正确触发该技能，并帮助理解其在统计建模、推断和诊断方面的主要用途。
- 对常见 statsmodels 任务的触发词很清晰：描述和使用部分明确提到了 OLS、GLM、混合模型、ARIMA、诊断和模型比较。
- 正文中的操作细节较强：该技能包含一份结构完整、层次清楚的指南，带有大量标题、流程信号和代码示例，相比泛泛的提示词更能减少摸索成本。
- 对分析人员的安装决策价值较高：描述将此技能与更宽泛的统计分析技能区分开来，并强调严谨推断、系数表和适合发布的输出结果。
- 没有安装命令，也没有配套脚本、资源或参考资料，因此用户只能依赖正文指南，而不是现成的自动化流程或补充资产。
- 存在实验/测试信号，这意味着尽管内容较充实，用户仍应预期需要一定迭代，或遇到成熟度不完全均衡的情况。
statsmodels 技能概览
statsmodels 是用来做什么的
statsmodels 技能帮助你在需要统计模型而不只是预测结果时，用 statsmodels 进行数据分析。它特别适合 OLS、GLM、离散选择、时间序列、混合效应模型，以及带有系数表、p 值、置信区间和诊断信息的假设检验。
适合谁使用
如果你在 Python 里做计量经济学、偏推断的分析、预测，或者模型验证，就应该使用 statsmodels 技能。它尤其适合输出结果需要支撑决策、报告、论文或审阅，而不只是给出一个机器学习分数的场景。
它有什么不同
和通用提示词相比，statsmodels 指南更关注模型选择、假设检查和结果解读。这一点很重要，尤其当你在意残差表现、异方差、自相关，或者某个回归结果是否站得住脚时。
如何使用 statsmodels 技能
安装并查看该技能
使用下面的命令安装 statsmodels 技能：
npx skills add K-Dense-AI/claude-scientific-skills --skill statsmodels
然后先阅读 scientific-skills/statsmodels/SKILL.md。由于这个仓库没有额外规则、引用文件或辅助脚本，主技能文件就是唯一的权威来源。如果你要把这个技能改造成自己的工作流，请把它当作一份建模作战手册，而不是可以直接丢进 Notebook 里就能用的模板。
给模型一份完整的分析简报
当你提供数据形状、目标变量、候选预测变量，以及你需要做出的决策时，statsmodels usage 的效果最好。高质量提示会明确模型家族和交付物，例如：“为 churn 拟合一个 logistic regression，报告 odds ratios，检查多重共线性，并解释任何 separation 问题。”
从正确的模型路径开始
如果要用 statsmodels for Data Analysis，先要求最简单、有效的模型，然后只有在数据确实支持时再继续扩展。一个好的流程是：先定义结果类型，再选择 OLS/GLM/discrete/time series，接着要求诊断，最后再要一份通俗解释。如果你跳过结果类型，输出往往会变成空泛的方法讨论，而不是能直接使用的分析结果。
以实用顺序阅读文件
如果你只来得及看一个文件，先看 SKILL.md。如果你要把这个技能转成真实的分析提示词，先快速浏览 “When to Use This Skill” 部分，以及线性回归附近的快速上手示例路径。那几部分会先告诉你 statsmodels 是否适合，再决定要不要花时间看实现细节。
statsmodels 技能常见问题
statsmodels 比通用提示词更好吗？
通常是的，前提是你的任务是统计建模，而不是泛泛的代码生成。statsmodels skill 在假设检查、诊断和推断方面路径更清晰。通用提示词也许能产出代码，但更容易跳过模型选择这一步，而这正是结果是否可信的关键。
它适合新手吗？
如果你希望有人带着你分步骤做分析，那它很适合。若你自己都不清楚结果变量是什么，或者说不明白你想回答什么问题，那它就不算特别友好。这个技能最适合你能明确说明：你需要回归、类似分类的离散建模，还是时间序列。
什么时候不该用它？
如果你主要想做预测型机器学习、深度学习，或者自动特征工程，就不要优先选 statsmodels。另外，如果你的任务只是“选对统计检验并按 APA 风格报告”，它也不是最佳起点；statistical-analysis 技能更贴合那种工作流。
它适合 Python 数据栈吗？
适合。statsmodels 和 pandas、NumPy 配合得很自然，通常也会和 SciPy 以及可视化工具一起用于探索、诊断和展示。它最有价值的地方在于，你既能拿到代码，也能拿到可解释的统计输出。
如何改进 statsmodels 技能
明确说明精确的统计目标
提升效果最大的做法，是把分析目标说具体。不要只说“分析这个数据集”，而要说明你到底需要什么：估计 treatment effect、比较组间差异、预测季度需求，还是检验某个变量是否与结果相关。这样 statsmodels 技能才能选对模型家族和报告方式。
先把数据背景交代清楚
高质量输入应该包括样本量、变量名、结果类型、缺失值问题、分组结构、时间索引，以及已知假设。比如：“面板数据，48 家公司、10 年，想做 firm fixed effects、clustered standard errors，并给出简洁解释。”这比丢一个没有上下文的原始 CSV 要有用得多。
不只要代码，还要诊断
常见的失败模式是，模型一拟合完就停了。想更好地使用 statsmodels usage，就要把与你场景相关的诊断也提出来：残差图、异方差检验、影响点度量、自相关检查，或者过度离散检查。这样输出才会从一段脚本变成一份站得住脚的分析。
反复迭代模型选择和呈现方式
第一轮结果出来后，要根据输出继续收紧要求。如果系数不稳定，就让它检查多重共线性；如果残差有明显模式，就让它换一个设定；如果结果要给利益相关方看，就让它整理成更清晰的表格，并附上一段简短的通俗解释。statsmodels guide 的价值，往往就在这一步才真正体现出来。