模型为Y=B1+B2X+u
Y—平均小时工资
X—读书年数
import statsmodels.api as smY=[4.4567,5.77,5.9787,7.3317,7.3182,6.5844,7.8182,7.8351,11.0223,10.6738,10.8361,13.615,13.531] X=[6,7,8,9,10,11,12,13,14,15,16,17,18] X1=sm.add_constantX)#在X前加上一列常数1，方便做带截距项的回归model = sm.OLSY,X1) results = model.fit) printresults.params)printresults.summary))
得到回归方程Y=-0.0145+0.7241X
说明读书年数每增加一个单位，平均小时工资增加0.7241个单位，截距项没有实际意义。
输出结果如下：
样本容量n=13
残差平方和RSS的自由度=n-2=11
回归平方和ESS的自由度=1
R^2=0.908 ，表明 X 解释了Y的约90.8%的变异，拟合效果很好
对回归系数的t-检验：H0：Bi=0，H1：Bi≠0 置信水平α=0.05，统计量t=bi-Bi)/sebi))
b1=-0.0145 ，p值=0.978>0.05, 不拒绝原假设，认为B1的值=0，b1的t-检验不显著，回归系数b1未通过t-检验考虑过原点模型？)。
b2=0.7241 ，p值=0.000表示当自由度为n-2=11时，得到一个t值≥现在的t值（=10.406）的概率是0.000
p值=0.000<0.05, 拒绝原假设，认为B2的值≠0，b2的t-检验显著，回归系数b2通过了t-检验。
对回归模型的F-检验双变量模型可省略，多元回归必须做)：H0：B2=0，H1：B2≠0 置信水平α=0.05, 统计量F=ESS/RSS/n-2))
统计量F值=108.3，对应自由度（1,11）的p值=4.96e-07<0.05,表示如果拒绝原假设H0，犯第一类错误（弃真）的概率是4.96e-07，这个概率很小，所以拒绝原假设，认为模型的B2≠0
对残差的正态性检验（雅克-贝拉检验Jarque-Bera test）:H0:残差为正态分布，H1：残差不是正态分布
JB统计量=0.829，对应的p值=0.661>0.05,不能拒绝原假设H0，认为残差服从正态分布。
飞艇稳赚不赔的打法
p值=0.000<0.05, 拒绝原假设，认为B2的值≠0，b2的t-检验显著，回归系数b2通过了t-检验。
对回归模型的F-检验双变量模型可省略，多元回归必须做)：H0：B2=0，H1：B2≠0 置信水平α=0.05, 统计量F=ESS/RSS/n-2))
统计量F值=108.3，对应自由度（1,11）的p值=4.96e-07<0.05,表示如果拒绝原假设H0，犯第一类错误（弃真）的概率是4.96e-07，这个概率很小，所以拒绝原假设，认为模型的B2≠0
对残差的正态性检验（雅克-贝拉检验Jarque-Bera test）:H0:残差为正态分布，H1：残差不是正态分布
JB统计量=0.829，对应的p值=0.661>0.05,不能拒绝原假设H0，认为残差服从正态分布。