📉 Site oficial do StatsModels (Documentação)
| ID | Comando / Função / Parâmetro | O que faz | Exemplo |
|---|---|---|---|
| 1 | sm.OLS() | Regressão Linear por Mínimos Quadrados Ordinários | sm.OLS(y, X).fit() |
| 2 | sm.WLS() | Regressão por Mínimos Quadrados Ponderados | sm.WLS(y, X, weights=w).fit() |
| 3 | sm.GLS() | Regressão por Mínimos Quadrados Generalizados | sm.GLS(y, X, sigma=s).fit() |
| 4 | sm.RecursiveLS() | Mínimos Quadrados Recursivos | sm.RecursiveLS(y, X).fit() |
| 5 | sm.QuantReg() | Regressão Quantílica | sm.QuantReg(y, X).fit(q=0.5) |
| 6 | sm.Logit() | Regressão Logística (Logit) | sm.Logit(y, X).fit() |
| 7 | sm.Probit() | Regressão Probit | sm.Probit(y, X).fit() |
| 8 | sm.MNLogit() | Regressão Logística Multinomial | sm.MNLogit(y, X).fit() |
| 9 | sm.Poisson() | Regressão de Poisson para contagem | sm.Poisson(y, X).fit() |
| 10 | sm.NegativeBinomial() | Regressão Binomial Negativa | sm.NegativeBinomial(y, X).fit() |
| 11 | sm.GLM() | Modelos Lineares Generalizados (Interface) | sm.GLM(y, X, family=sm.families.Binomial()) |
| 12 | sm.RLM() | Modelos Lineares Robustos | sm.RLM(y, X).fit() |
| 13 | sm.tsa.ARIMA() | Modelo ARIMA (Autoregressivo, Integrado e Médias Móveis) | sm.tsa.ARIMA(df, order=(1,1,1)) |
| 14 | sm.tsa.SARIMAX() | Modelo ARIMA Sazonal com Variáveis Exógenas | sm.tsa.SARIMAX(y, order=(p,d,q), seasonal_order=(P,D,Q,s)) |
| 15 | sm.tsa.ExponentialSmoothing() | Suavização Exponencial (Holt-Winters) | sm.tsa.ExponentialSmoothing(y, trend='add').fit() |
| 16 | sm.tsa.seasonal_decompose() | Decomposição clássica (tendência, sazonalidade, resíduo) | seasonal_decompose(df['valor'], model='additive') |
| 17 | sm.tsa.stattools.adfuller() | Teste Augmented Dickey-Fuller para estacionariedade | adfuller(df['serie']) |
| 18 | sm.tsa.stattools.kpss() | Teste KPSS para estacionariedade | kpss(df['serie']) |
| 19 | sm.graphics.tsaplots.plot_acf() | Gráfico de Autocorrelação (ACF) | plot_acf(df['serie']) |
| 20 | sm.graphics.tsaplots.plot_pacf() | Gráfico de Autocorrelação Parcial (PACF) | plot_pacf(df['serie']) |
| 21 | sm.tsa.VAR() | Vetor Autoregressivo para séries multivariadas | sm.tsa.VAR(df).fit() |
| 22 | sm.stats.anova_lm() | Tabela ANOVA para modelos lineares | sm.stats.anova_lm(model) |
| 23 | sm.stats.ttest_ind() | Teste T para duas amostras independentes | sm.stats.ttest_ind(x1, x2) |
| 24 | sm.stats.diagnostic.het_breuschpagan() | Teste de Breusch-Pagan para heterocedasticidade | het_breuschpagan(resids, X) |
| 25 | sm.stats.diagnostic.lilliefors() | Teste de Lilliefors para normalidade | lilliefors(df['col']) |
| 26 | sm.stats.diagnostic.acorr_ljungbox() | Teste Ljung-Box para independência de resíduos | acorr_ljungbox(resids) |
| 27 | sm.stats.stattools.durbin_watson() | Estatística de Durbin-Watson para autocorrelação | durbin_watson(resids) |
| 28 | sm.stats.outliers_influence.variance_inflation_factor() | Cálculo do VIF para multicolinearidade | variance_inflation_factor(X.values, i) |
| 29 | smf.ols() | Regressão Linear usando fórmulas de string | smf.ols('y ~ x1 + x2', data=df).fit() |
| 30 | smf.logit() | Regressão Logística usando fórmulas | smf.logit('y ~ x1', data=df).fit() |
| 31 | smf.mixedlm() | Modelos Lineares de Efeitos Mistos | smf.mixedlm('y ~ x', df, groups=df['grp']).fit() |
| 32 | model.summary() | Exibe relatório estatístico completo | results.summary() |
| 33 | model.params | Retorna os coeficientes calculados | results.params |
| 34 | model.pvalues | Retorna os p-valores de cada variável | results.pvalues |
| 35 | model.rsquared | Coeficiente de Determinação (R²) | results.rsquared |
| 36 | model.resid | Retorna os resíduos do modelo | results.resid |
| 37 | model.predict() | Gera previsões a partir de novos dados | results.predict(new_X) |
| 38 | model.conf_int() | Intervalos de confiança dos coeficientes | results.conf_int(alpha=0.05) |
| 39 | model.aic | Critério de Informação de Akaike (AIC) | results.aic |
| 40 | model.bic | Critério de Informação Bayesiano (BIC) | results.bic |
| 41 | sm.add_constant() | Adiciona coluna de intercepto à matriz X | X = sm.add_constant(X) |
| 42 | sm.datasets.get_rdataset() | Carrega datasets clássicos da linguagem R | sm.datasets.get_rdataset('mtcars').data |
| 43 | sm.graphics.plot_regress_exog() | Gráficos diagnósticos de regressão | sm.graphics.plot_regress_exog(res, 'x1') |
| 44 | missing= | Parâmetro para lidar com NaNs ('drop', 'raise') | sm.OLS(y, X, missing='drop') |
| 45 | cov_type= | Tipo de estimador de matriz de covariância (HC1, HC3) | results.fit(cov_type='HC3') |
| 46 | family=sm.families.Binomial() | Distribuição para GLM (Binomial) | family=sm.families.Binomial() |
| 47 | family=sm.families.Gamma() | Distribuição para GLM (Gamma) | family=sm.families.Gamma() |
| 48 | family=sm.families.Tweedie() | Distribuição para GLM (Tweedie) | family=sm.families.Tweedie() |
| 49 | link=sm.families.links.Log() | Função de ligação log para modelos lineares | link=sm.families.links.Log() |
| 50 | sm.stats.proportion_confint() | Intervalo de confiança para proporções | proportion_confint(count, nobs) |
| 51 | sm.stats.DescrStatsW() | Estatística descritiva com pesos | sm.stats.DescrStatsW(data, weights=w) |
| 52 | sm.stats.multicomp.pairwise_tukeyhsd() | Teste de Tukey para múltiplas comparações | pairwise_tukeyhsd(endog, groups) |
| 53 | sm.graphics.influence_plot() | Gráfico de influência e outliers | sm.graphics.influence_plot(results) |
| 54 | sm.graphics.plot_partregress_grid() | Gráficos de regressão parcial em grade | sm.graphics.plot_partregress_grid(results) |
| 55 | sm.tsa.filters.hp_filter.hpfilter() | Filtro Hodrick-Prescott para tendências | cycle, trend = hpfilter(df) |
| 56 | sm.tsa.stattools.grangercausalitytests() | Teste de Causalidade de Granger | grangercausalitytests(df, maxlag=2) |
| 57 | sm.stats.power.TTestIndPower() | Cálculo de poder estatístico | TTestIndPower().solve_power(...) |
| 58 | sm.stats.diagnostic.het_white() | Teste de White para heterocedasticidade | het_white(resids, X) |
| 59 | sm.stats.diagnostic.linear_rainbow() | Teste Rainbow de linearidade | linear_rainbow(results) |
| 60 | sm.stats.diagnostic.breaks_hansen() | Teste de instabilidade de parâmetros de Hansen | breaks_hansen(results) |
| 61 | sm.nonparametric.kernel_regression.KernelReg() | Regressão por Kernel não paramétrica | KernelReg(y, X, var_type='c') |
| 62 | sm.stats.proportions_ztest() | Teste Z para proporções | proportions_ztest(count, nobs) |
| 63 | sm.stats.rank_compare_2indep() | Compara distribuições de duas amostras | rank_compare_2indep(x, y) |
| 64 | sm.duration.HazardRegression() | Modelos de análise de sobrevivência | HazardRegression(y, X).fit() |
| 65 | sm.stats.Mediation() | Análise de mediação estatística | Mediation(model_y, model_m, treat, mediator).fit() |
| 66 | sm.robust.norms.HuberT() | Norma Huber para regressão robusta | sm.RLM(y, X, M=sm.robust.norms.HuberT()) |
| 67 | sm.robust.norms.TukeyBiweight() | Norma Tukey Biweight para RLM | M=sm.robust.norms.TukeyBiweight() |
| 68 | sm.stats.multitest.multipletests() | Correções para testes múltiplos (Bonferroni, FDR) | multipletests(pvals, method='fdr_bh') |
| 69 | sm.tsa.x13.x13_arima_analysis() | Interface para ajuste sazonal X-13ARIMA-SEATS | x13_arima_analysis(series) |
| 70 | sm.graphics.qqplot() | Gráfico Quantil-Quantil (Q-Q Plot) | sm.graphics.qqplot(resids, line='s') |
| 71 | sm.stats.diagnostic.compare_cox() | Teste de Cox para modelos não-aninhados | compare_cox(res1, res2) |
| 72 | sm.stats.diagnostic.compare_j() | Teste J para especificação de modelos | compare_j(res1, res2) |
| 73 | sm.stats.moment_helpers.corr2cov() | Converte correlação em covariância | corr2cov(corr, std) |
| 74 | sm.stats.sandwich_covariance.cov_hac() | Covariância Robusta HAC | cov_hac(results) |
| 75 | sm.stats.inter_rater.fleiss_kappa() | Kappa de Fleiss para concordância | fleiss_kappa(data) |
| 76 | sm.multivariate.PCA() | Análise de Componentes Principais | PCA(df).factors |
| 77 | sm.multivariate.Factor() | Análise Fatorial | Factor(df).fit() |
| 78 | sm.multivariate.MANOVA() | MANOVA (Multivariate ANOVA) | MANOVA(endog, exog).mv_test() |
| 79 | sm.stats.contingency_tables.Table() | Análise de tabelas de contingência | sm.stats.Table(df) |
| 80 | sm.stats.DescrStatsW().tconfint_mean() | IC para a média com pesos | d1.tconfint_mean() |
| 81 | sm.stats.GofStat() | Testes de bondade de ajuste (Goodness of fit) | GofStat(obs, exp) |
| 82 | sm.graphics.gofplots.ProbPlot() | Cria objetos para plots de probabilidade | ProbPlot(data).qqplot() |
| 83 | sm.iolib.summary2.Summary() | Versão alternativa de tabelas de resumo | Summary().add_df(df) |
| 84 | sm.stats.anova.AnovaRM() | ANOVA para medidas repetidas | AnovaRM(df, 'y', 'id', within=['x']).fit() |
| 85 | sm.stats.weightstats.CompareMeans() | Classe para comparar médias de duas amostras | CompareMeans(d1, d2) |
| 86 | sm.tsa.seasonal.STL() | Decomposição STL (LOESS) | STL(df['val']).fit() |
| 87 | sm.tsa.stattools.ccf() | Função de correlação cruzada | ccf(x, y) |
| 88 | sm.tsa.statespace.SARIMAX() | Espaço de estados para modelos complexos | SARIMAX(y, order=(1,0,1)) |
| 89 | sm.graphics.boxplots.violinplot() | Gráfico de violino (estatístico) | sm.graphics.violinplot(data) |
| 90 | sm.stats.diagnostic.normal_ad() | Teste de Anderson-Darling para normalidade | normal_ad(resids) |
| 91 | sm.stats.diagnostic.recursive_olsresiduals() | Cálculo de resíduos recursivos | recursive_olsresiduals(results) |
| 92 | sm.stats.mctools.StatTestMC() | Ferramenta para simulações Monte Carlo | StatTestMC(dist, stat) |
| 93 | sm.tsa.forecasting.theta.ThetaModel() | Modelo de previsão Theta | ThetaModel(y).fit() |
| 94 | sm.graphics.tsaplots.plot_predict() | Gráfico de previsões de séries temporais | results.plot_predict(start, end) |
| 95 | sm.stats.proportion_effectsize() | Tamanho do efeito para proporções | proportion_effectsize(p1, p2) |
| 96 | sm.stats.anova.anova_single() | ANOVA de fator único | anova_single(res) |
| 97 | sm.tsa.ar_model.AutoReg() | Modelos Autoregressivos puros | AutoReg(y, lags=2).fit() |
| 98 | sm.stats.outliers_influence.OLSInfluence() | Cálculo detalhado de influência e resíduos studentizados | OLSInfluence(results) |
| 99 | sm.regression.quantile_regression.QuantReg() | Variação da regressão quantílica | QuantReg(y, X).fit() |
| 100 | sm.stats.correlation_tools.FactoredPSDMatrix() | Ferramentas para matrizes de correlação | FactoredPSDMatrix(m) |