Python否定二項回帰 - 結果がRと一致しない

Question

私はPythonを使って負の二項回帰を試しています。私は、データセットと一緒に、Rを使用してこの例を見つけました：残念ながら、これは明らかにしなかった

import pandas as pd 
import statsmodels.formula.api as smf 
import statsmodels.api as sm 

df = pd.read_stata("http://www.karlin.mff.cuni.cz/~pesta/prednasky/NMFM404/Data/nb_data.dta") 

model = smf.glm(formula = "daysabs ~ math + prog", data=df, family=sm.families.NegativeBinomial()).fit() 

model.summary() 

：

http://www.karlin.mff.cuni.cz/~pesta/NMFM404/NB.html

私はこのコードを使用してWebページ上の結果を再現してみました同じ係数。それは以下を与えました：

coef  std err  z  P>|z| [95.0% Conf. Int.] 
Intercept 3.4875  0.236 14.808 0.000 3.026 3.949 
math  -0.0067  0.003 -2.600 0.009 -0.012 -0.002 
prog  -0.6781  0.101 -6.683 0.000 -0.877 -0.479 

これらは、それらのウェブサイトのものにさえ近くありません。 Rコードが正しいと仮定すると、何が間違っていますか？

Answer 1

食い違いの理由は、あなたがパンダとのデータセットで読んでいるとき、prog変数は、デフォルトではタイプfloatとして扱われていることである。一方、Rの例では

df.prog.head() 

0 2.0 
1 2.0 
2 2.0 
3 2.0 
4 2.0 
Name: prog, dtype: float32 

、 prog変数が明示的因子（カテゴリ）変数にキャストした結果

dat <- within(dat, { 
    prog <- factor(prog, levels = 1:3, labels = c("General", "Academic", "Vocational")) 
    id <- factor(id) 
}) 

あなたがRでフィット要約を見たとき、あなたはprog変数が分割されていることがわかりますN-1のバイナリエンコードされた条件に：

> summary(m1 <- glm.nb(daysabs ~ math + prog, data = dat)) 

Call: 
glm.nb(formula = daysabs ~ math + prog, data = dat, init.theta = 1.032713156, 
    link = log) 

Deviance Residuals: 
    Min  1Q Median  3Q  Max 
-2.1547 -1.0192 -0.3694 0.2285 2.5273 

Coefficients: 
       Estimate Std. Error z value Pr(>|z|)  
(Intercept)  2.615265 0.197460 13.245 < 2e-16 *** 
math   -0.005993 0.002505 -2.392 0.0167 * 
progAcademic -0.440760 0.182610 -2.414 0.0158 * 
progVocational -1.278651 0.200720 -6.370 1.89e-10 *** 

はprog変数はあなたが投稿Pythonのフィット要約に表示されますどのようにこれを比較してください。

問題を修正するには、C() functionを使用して変数をstatsmodelsのカテゴリにキャストすることができます。あなたは同じ結果に到着します：

model = smf.glm(formula = "daysabs ~ math + C(prog)", data=df, family=sm.families.NegativeBinomial()).fit() 
model.summary() 

<class 'statsmodels.iolib.summary.Summary'> 
""" 
       Generalized Linear Model Regression Results     
============================================================================== 
Dep. Variable:    daysabs No. Observations:     314 
Model:       GLM Df Residuals:      310 
Model Family:  NegativeBinomial Df Model:       3 
Link Function:     log Scale:     1.06830885199 
Method:       IRLS Log-Likelihood:    -865.68 
Date:    Thu, 16 Feb 2017 Deviance:      350.98 
Time:      10:34:16 Pearson chi2:      331. 
No. Iterations:      6           
================================================================================== 
        coef std err   z  P>|z|  [0.025  0.975] 
---------------------------------------------------------------------------------- 
Intercept   2.6150  0.207  12.630  0.000  2.209  3.021 
C(prog)[T.2.0] -0.4408  0.192  -2.302  0.021  -0.816  -0.065 
C(prog)[T.3.0] -1.2786  0.210  -6.079  0.000  -1.691  -0.866 
math    -0.0060  0.003  -2.281  0.023  -0.011  -0.001 
================================================================================== 
"""