如何在Matplotlib中干净地绘制statsmodels线性回归(OLS)？

我们可以利用非线性曲线和线性数据绘制statsmodels线性回归(OLS)。

步骤

设置图形大小并调整子图之间和周围的填充。
要创建一个新的，可以使用 seed() 方法。
初始化样本数和sigma变量的数量。
使用numpy创建线性数据点x、X、 beta、t_true 、y和 res 。
res 是一个普通的最小平方类实例。
计算标准差。用于预测的置信区间适用于WLS和OLS，而不适用于一般的GLS，即独立但不完全相同分布的观察。
使用 subplot() 方法创建一个图和一组子图。
使用 plot() 方法绘制所有曲线，带有 (x, y)、(x, y_true)、(x, res.fittedvalues)、(x, iv_u) 和 (x, iv_l) 数据点。
在图上放置图例。
要显示图形，请使用 show() 方法。

示例

import numpy as np
from matplotlib import pyplot as plt
from statsmodels import api as sm
from statsmodels.sandbox.regression.predstd import wls_prediction_std
plt.rcParams["figure.figsize"] = [7.50, 3.50]
plt.rcParams["figure.autolayout"] = True
np.random.seed(9876789)
nsample = 50
sig = 0.5
x = np.linspace(0, 20, nsample)
X = np.column_stack((x, np.sin(x), (x - 5) ** 2, np.ones(nsample)))
beta = [0.5, 0.5, -0.02, 5.]
y_true = np.dot(X, beta)
y = y_true + sig * np.random.normal(size=nsample)
res = sm.OLS(y, X).fit()
prstd, iv_l, iv_u = wls_prediction_std(res)
fig, ax = plt.subplots()
ax.plot(x, y, 'o', label="data")
ax.plot(x, y_true, 'b-', label="True")
ax.plot(x, res.fittedvalues, 'r--.', label="OLS")
ax.plot(x, iv_u, 'r--')
ax.plot(x, iv_l, 'r--')
ax.legend(loc='best')
plt.show()