在 Python 中轻松访问标准化残差、库克值、帽子值(杠杆)等？

Question

我在拟合线性回归后正在寻找影响统计。在r中，我可以得到这样的（例如）：

hatvalues(fitted_model) #hatvalues (leverage)
cooks.distance(fitted_model) #Cook's D values
rstandard(fitted_model) #standardized residuals
rstudent(fitted_model) #studentized residuals

等。

在拟合这样的模型后，在使用Python中使用统计模型时，我如何获得相同的统计信息：

#import statsmodels
import statsmodels.api as sm
#Fit linear model to any dataset
model = sm.OLS(Y,X)
results = model.fit()
#Creating a dataframe that includes the studentized residuals
sm.regression.linear_model.OLSResults.outlier_test(results)

编辑：请参见下面的答案...

Answer 1

尽管接受的答案是正确的，但我发现在适合模型后，单独访问统计信息作为影响实例的实例属性（statsmodels.regression.linear_model.OLSResults.get_influence）。这使我免于索引summary_frame，因为我只对其中一个统计数据感兴趣，而不是所有统计信息。所以也许这对别人有帮助：

import statsmodels.api as sm
#Fit linear model to any dataset
model = sm.OLS(Y,X)
results = model.fit()
#create instance of influence
influence = results.get_influence()
#leverage (hat values)
leverage = influence.hat_matrix_diag
#Cook's D values (and p-values) as tuple of arrays
cooks_d = influence.cooks_distance
#standardized residuals
standardized_residuals = influence.resid_studentized_internal
#studentized residuals
studentized_residuals = influence.resid_studentized_external

Answer 2

我在这里找到它：

http://www.statsmodels.org/dev/generated/statsmodels.stats.outliers_influence.olsinfluence.summary_frame.html

OLSInfluence.summary_frame()