放上代码例子：

输出：

左边：（模型背景描述） Dep.Variable: 输出变量的名称 Model :模型名称 Method: 方法 其中 Least Squares 表示最小二乘法 Date： 日期 Time： 时间 No.Observations: 样本数目 Df Residuals : 残差自由度 (观测数No.Observations - (参数数目Df Model+1常数)) –残差代表的是实际观察值与估计值的差 Df Model: 模型参数个数，相当于输入的X的元素个数

右边：（模型质量描述）（需要参考判断的数据） R- squared : 可决系数，用来判断估计的准确性，范围在 [0,1] 约接近1 ，说明对y的解释能力越强，拟合越好

） Adj-R- squared: 通过样本数量与模型数量对R-squared进行修正，奥卡姆剃刀原理，避免描述冗杂

( ）

F-statistic : 衡量拟合的显著性, 重要程度。模型的均方误差除以残差的均方误差,值越大,H0 越不可能

Prob(F-statistic): 当prob（F-statistic）α时，表示接受原假设，即认为模型不是显著的

Log likelihood （对数似然比LLR） :(很多说法是值越大，说明模型拟合的较好)(但有待考察,似然比服从统计量,大于卡方临界值拒绝原假设), 似然: 相当于概率: 通过最大似然估计参数的选取的拟合性 （Davidson 与MacKinnon(1993)年说：对于线性回归模型，不管它误差是不是正态分布，都不需要过问LM，W，LLR，因为这些信息已被F检验所含有）

AIC: AIC可以表示为： AIC=2k-2ln(L) 其中：k是参数的数量，L是似然函数。 衡量拟合优良性,选择AIC 最小的模型, 引入了惩罚项,避免参数过多,过拟合 BIC: 贝叶斯信息准则 BIC=kln(n)-2ln(L) ,BIC相比AIC在大数据量时对模型参数惩罚得更多，导致BIC更倾向于选择参数少的简单模型。

下半部分:(模型描述) coef: 系数 const表示常数项 std err :系数估计的基本标准误差 t : t 统计值,衡量系数统计显著程度的指标 P>|t| : 系数= 0的零假设为真的P值。如果它小于置信水平，通常为0.05，则表明该术语与响应之间存在统计上显着的关系。度的指标 [0.025,0.975]: 95％置信区间的下限和上限值

Omnibus :属于一种统计测验,测试一组数据中已解释方差是否显著大于未解释方差,但omnibus不显著,模型也可能存在合法的显著影响, 比如两个变量中有一个不显著,即便另一个显著.通常用于对比 Prob(Omnibus):将上面的统计数据变成概率

Durbin-Watson : 残差是否符合正态分布,在2左右说明是服从正态分布的,偏离2太远,解释能力受影响 是否自相关, 受到前后影响 ,与表中上限进行比较,如果D>上限 不存在相关性 . D