discrete_choice

# 离散选择模型参考 本文档提供了 statsmodels 中离散选择模型的全面指南，包括二元、多项式、计数和定序模型。 ## 概述 离散选择模型处理以下类型的结果： - **二元 (Binary)**：0/1，成功/失败 - **多项式 (Multinomial)**：多个无序类别 - **定序 (Ordinal)**：有序类别 - **计数 (Count)**：非负整数 所有模型均使用最大似然估计，并假设误差项独立同分布 (i.i.d.)。 ## 二元模型 ### Logit (逻辑回归) 对二元结果使用逻辑分布。 **何时使用：** - 二元分类（是/否，成功/失败） - 二元结果的概率估计 - 可解释的优势比 (Odds ratios) **模型**：P(Y=1|X) = 1 / (1 + exp(-Xβ)) python import statsmodels.api as sm from statsmodels.discrete.discrete_model import Logit # 准备数据 X = sm.add_constant(X_data) # 拟合模型 model = Logit(y, X) results = model.fit() print(results.summary()) **解释：** python import numpy as np # 优势比 odds_ratios = np.exp(results.params) print("优势比:", odds_ratios) # X 每增加 1 个单位，优势乘以 exp(β) # OR > 1: 增加成功优势 # OR 0.5).astype(int) # 自定义阈值 threshold = 0.3 predictions_custom = (probs > threshold).astype(int) # 新数据预测 X_new = sm.add_constant(X_new_data) new_probs = results.predict(X_new) **模型评估：** python from sklearn.metrics import (classification_report, confusion_matrix, roc_auc_score, roc_curve) # 分类报告 print(classification_report(y, predictions)) # 混淆矩阵 print(confusion_matrix(y, predictions)) # AUC-ROC auc = roc_auc_score(y, probs) print(f"AUC: {auc