我很擅长使用statsmodels进行统计分析。我大部分时间都得到了预期的答案，但有些事情我不太了解statsmodels在作为字符串输入时为逻辑回归定义endog（依赖）变量的方式。
示例问题的Pandas数据框示例如下所示。 yN，yA和yA2列表示定义endog变量的不同方式：yN是编码为0,1的二进制变量; yA是二进制变量编码＆＃39; y＆＃39; n＆＃39; n＆＃39;和yA2是一个变量编码的＆＃39; x＆＃39; y＆＃39;和＆＃39; w＆＃39;：
import pandas as pd
df = pd.DataFrame({'yN':[0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1],
'yA':['y','y','y','y','y','y','y','n','n','n','n','n','n','n','n','n','n','n','n','n',],
'yA2':['y','y','y','w','y','w','y','n','n','n','n','n','n','n','n','n','n','n','n','n',],
'xA':['a','a','b','b','b','c','c','c','c','c','a','a','a','a','b','b','b','b','c','c']})
数据框如下所示：
xA yA yA2 yN
0 a y y 0
1 a y y 0
2 b y y 0
3 b y w 0
4 b y y 0
5 c y w 0
6 c y y 0
7 c n n 1
8 c n n 1
9 c n n 1
10 a n n 1
11 a n n 1
12 a n n 1
13 a n n 1
14 b n n 1
15 b n n 1
16 b n n 1
17 b n n 1
18 c n n 1
19 c n n 1
我可以运行一个标准＆＃39;使用0/1编码的endog变量和分类exog变量（xA）的逻辑回归如下：
import statsmodels.formula.api as smf
import statsmodels.api as sm
phjLogisticRegressionResults = smf.glm(formula='yN ~ C(xA)',
data=df,
family = sm.families.Binomial(link = sm.genmod.families.links.logit)).fit()
print('\nResults of logistic regression model')
print(phjLogisticRegressionResults.summary())
这会产生以下结果，正如我所期望的那样：
Generalized Linear Model Regression Results
==============================================================================
Dep. Variable: yN No. Observations: 20
Model: GLM Df Residuals: 17
Model Family: Binomial Df Model: 2
Link Function: logit Scale: 1.0
Method: IRLS Log-Likelihood: -12.787
Date: Thu, 18 Jan 2018 Deviance: 25.575
Time: 02:19:45 Pearson chi2: 20.0
No. Iterations: 4
==============================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 0.6931 0.866 0.800 0.423 -1.004 2.391
C(xA)[T.b] -0.4055 1.155 -0.351 0.725 -2.669 1.858
C(xA)[T.c] 0.2231 1.204 0.185 0.853 -2.137 2.583
==============================================================================
但是，如果我使用二进制endog变量编码运行相同的模型＆＃39; y＆＃39;和＆＃39; n＆＃39; （但与前一个例子中直观的0/1编码完全相反）或者如果我包含一个变量，其中一些＆＃39; y＆＃39;代码已被＆＃39; w＆＃39; （即现在有3个结果），它仍然产生如下相同的结果：
phjLogisticRegressionResults = smf.glm(formula='yA ~ C(xA)',
data=df,
family = sm.families.Binomial(link = sm.genmod.families.links.logit)).fit()
Generalized Linear Model Regression Results
==============================================================================
Dep. Variable: ['yA[n]', 'yA[y]'] No. Observations: 20
Model: GLM Df Residuals: 17
Model Family: Binomial Df Model: 2
Link Function: logit Scale: 1.0
Method: IRLS Log-Likelihood: -12.787
Date: Thu, 18 Jan 2018 Deviance: 25.575
Time: 02:29:06 Pearson chi2: 20.0
No. Iterations: 4
==============================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 0.6931 0.866 0.800 0.423 -1.004 2.391
C(xA)[T.b] -0.4055 1.155 -0.351 0.725 -2.669 1.858
C(xA)[T.c] 0.2231 1.204 0.185 0.853 -2.137 2.583
==============================================================================
...和...
phjLogisticRegressionResults = smf.glm(formula='yA2 ~ C(xA)',
data=df,
family = sm.families.Binomial(link = sm.genmod.families.links.logit)).fit()
Generalized Linear Model Regression Results
==========================================================================================
Dep. Variable: ['yA2[n]', 'yA2[w]', 'yA2[y]'] No. Observations: 20
Model: GLM Df Residuals: 17
Model Family: Binomial Df Model: 2
Link Function: logit Scale: 1.0
Method: IRLS Log-Likelihood: -12.787
Date: Thu, 18 Jan 2018 Deviance: 25.575
Time: 02:29:06 Pearson chi2: 20.0
No. Iterations: 4
==============================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 0.6931 0.866 0.800 0.423 -1.004 2.391
C(xA)[T.b] -0.4055 1.155 -0.351 0.725 -2.669 1.858
C(xA)[T.c] 0.2231 1.204 0.185 0.853 -2.137 2.583
==============================================================================
The Dep。输出表中的可变单元格可识别但存在差异但结果相同。当statogodels作为字符串变量输入时，statsmodel使用什么规则来编码endog变量？
答案 0 :(得分：3)
警告：此行为不是设计的，而是通过patsy和statsmodel的交互实现的。
首先，patsy完成字符串公式和数据的所有转换，以创建相应的设计矩阵，并可能转换响应变量。
在响应变量endog或y是字符串的情况下，patsy将其视为分类，并使用分类变量的默认编码并构建相应的虚拟变量数组。此外，AFAIK patsy按字母数字排序水平，这决定了列的顺序。
模型的主要部分，无论是GLM还是Logit / Probit，只需要获取patsy提供的数组，并在模型中以适当的方式解释它，如果可能的话，并且没有太多特定的输入检查。
在示例中，patsy使用两列或三列创建虚拟变量数组。 statsmodels将其解释为＆＃34;成功＆＃34;，＆＃34;失败＆＃34;计数。因此，字母数字顺序中的最低类别定义了成功＆＃34;。行总和对应于观察中的试验次数，在这种情况下为1。 如果或者它适用于三列必须缺少输入检查，这意味着它是第一个反对它的二进制响应。 （我想，这是实施细节的结果，而不是设计。）
相关问题在于离散模型Logit。 https://github.com/statsmodels/statsmodels/issues/2733 目前还没有明确的解决方案，不需要再次猜测用户的意图。
所以现在最好将数值用于二进制模型，尤其是因为定义了成功＆＃34;并且参数的符号取决于分类级别名称的字母数字排序。 例如，尝试重命名＆＃34;成功＆＃34;水平到＆＃34; z＆＃34;而不是＆＃34; n＆＃34;。