如何利用Python实现逻辑回归模型并输出完整的统计显著性检验报告？

在实践中，用 Python 完成逻辑回归（logistic regression）的建模并不难，难的是如何输出一份完整的、可供统计推断的检验报告。这里，statsmodels 的 Logit 模块是比 sklearn 更自然的选择。先说一个核心观点：如果你不只是想要预测结果，还想知道哪些变量真正显著、影响有多大，那就应该放弃 sklearn，转向 statsmodels。

statsmodels 的 Logit 为什么比 sklearn.linear_model.LogisticRegression 更适合做显著性检验？

原因其实很简单：sklearn 默认不提供系数的 p-value、标准误、z 统计量等关键指标——它天生是为预测优化，而不是为统计推断服务的。而 statsmodels 的 Logit 模型在拟合后，直接调用 .summary() 就能输出完整的 Wald 检验结果，包括每个变量的显著性、置信区间，以及模型整体的 LLR p-value。

不过，这里有一个必须警惕的细节：statsmodels 不会自动添加常数项（截距），你必须手动处理。同时，输入数据得是纯数值型的——不能有 DataFrame 的多级索引或非数值列，否则会报错，提示 endog must be one-dimensional。具体操作时，记住这三点：

• 用 sm.add_constant(X) 显式添加截距列
• 确保 y 是一维的 numpy 数组或 pandas Series，取值只能是 {0, 1}（别用字符串或分类类型）
• 别在 X 中混入 object 类型列——Logit 不会自动帮你编码类别变量

如何正确准备输入数据并避免 ConvergenceWarning？

收敛警告的出现，通常不是调大 maxiter 就能解决的。问题的根源往往在于数据本身：特征尺度差异过大、存在完全分离（perfect separation），或者样本量太小。说到底，得先做数据层面的排查。

• 对连续特征做标准化（StandardScaler）或归一化，尤其当变量单位差异大时（比如年龄 vs. 收入）
• 检查是否存在某个特征能 100% 区分正负样本。例如，某列中所有 y==1 对应的值都大于 5，而 y==0 的都小于等于 5。这种情况下，用 Firth logistic regression（statsmodels.discrete.discrete_model.FirthLogit）会更稳健
• 删除方差为 0 的列（X.nunique() == 1）以及高度共线性的列（np.linalg.cond(X.T @ X) > 1e12）

怎样从 result.summary() 提取关键统计量用于自动化报告？

result.summary() 返回的是格式化字符串，直接解析会很麻烦。更聪明的做法是使用 result.summary2().tables[1] 来获取带列名的 DataFrame，或者直接访问模型属性：

• result.pvalues：返回一个 Series，索引是变量名，值是对应的 p-value
• result.conf_int(alpha=0.05)：返回一个 DataFrame，两列分别是置信下限和上限
• result.llr_pvalue：模型整体似然比检验的 p-value（原假设是所有系数为 0）
• 如果需要输出 LaTeX 表格，可以用 result.summary2().as_latex()，但要注意它不包含 Wald 卡方统计量，只包含 z 值

为什么 coef_ 和 params 数值一致但解释不同？

sklearn 的 coef_ 和 statsmodels 的 params，数学定义完全一样，都是 log-odds（对数优势比）。区别在于使用场景：sklearn 里的系数常被误解为“影响强度”而直接比较大小；statsmodels 的 summary() 会强制你看到标准误和显著性，从而避免过度解读。

真正容易忽略的是：log-odds 不能直接相加，也不能跨模型比较。比如，age 系数是 0.05，并不意味着“年龄每增加 1 岁，概率就增加 5%”。正确的解读是“优势比乘以 exp(0.05) ≈ 1.051”。要计算边际效应（dy/dx），应该用 result.get_margeff(at='mean')，而不是盯着系数本身看。