R のロジスティック回帰モデルと statsmodels が一致しない理由について混乱しています。
Rでいくつかのデータを準備する場合
# From https://courses.edx.org/c4x/MITx/15.071x/asset/census.csv
library(caTools) # for sample.split
census = read.csv("census.csv")
set.seed(2000)
split = sample.split(census$over50k, SplitRatio = 0.6)
censusTrain = subset(census, split==TRUE)
censusTest = subset(census, split==FALSE)
次に、ロジスティック回帰を実行します
CensusLog1 = glm(over50k ~., data=censusTrain, family=binomial)
次のような結果が表示されます
Estimate Std. Error z value Pr(>|z|)
(Intercept) -8.658e+00 1.379e+00 -6.279 3.41e-10 ***
age 2.548e-02 2.139e-03 11.916 < 2e-16 ***
workclass Federal-gov 1.105e+00 2.014e-01 5.489 4.03e-08 ***
workclass Local-gov 3.675e-01 1.821e-01 2.018 0.043641 *
workclass Never-worked -1.283e+01 8.453e+02 -0.015 0.987885
workclass Private 6.012e-01 1.626e-01 3.698 0.000218 ***
workclass Self-emp-inc 7.575e-01 1.950e-01 3.884 0.000103 ***
workclass Self-emp-not-inc 1.855e-01 1.774e-01 1.046 0.295646
workclass State-gov 4.012e-01 1.961e-01 2.046 0.040728 *
workclass Without-pay -1.395e+01 6.597e+02 -0.021 0.983134
...
しかし、最初にRからエクスポートすることにより、Pythonで同じデータを使用します
write.csv(censusTrain,file="traincensus.csv")
write.csv(censusTest,file="testcensus.csv")
次に、Pythonにインポートします
import pandas as pd
census = pd.read_csv("census.csv")
census_train = pd.read_csv("traincensus.csv")
census_test = pd.read_csv("testcensus.csv")
Rで得たものとは関係のないエラーと奇妙な結果が得られます。
私が単純に試してみると
import statsmodels.api as sm
census_log_1 = sm.Logit.from_formula(f, census_train).fit()
エラーが発生します：
ValueError: operands could not be broadcast together with shapes (19187,2) (19187,)
patsyを使ってデータを用意しても
import patsy
f = 'over50k ~ ' + ' + '.join(list(census.columns)[:-1])
y, X = patsy.dmatrices(f, census_train, return_type='dataframe')
しようとしている
census_log_1 = sm.Logit(y, X).fit()
同じエラーが発生します。エラーを回避できる唯一の方法は、使用することですGLM
census_log_1 = sm.GLM(y, X, family=sm.families.Binomial()).fit()
しかし、これは(私が思っていた) 同等の R API によって生成された結果とはまったく異なる結果を生成します。
coef std err t P>|t| [95.0% Conf. Int.]
----------------------------------------------------------------------------------------------------------------
Intercept 10.6766 5.985 1.784 0.074 -1.055 22.408
age -0.0255 0.002 -11.916 0.000 -0.030 -0.021
workclass[T. Federal-gov] -0.9775 4.498 -0.217 0.828 -9.794 7.839
workclass[T. Local-gov] -0.2395 4.498 -0.053 0.958 -9.055 8.576
workclass[T. Never-worked] 8.8346 114.394 0.077 0.938 -215.374 233.043
workclass[T. Private] -0.4732 4.497 -0.105 0.916 -9.288 8.341
workclass[T. Self-emp-inc] -0.6296 4.498 -0.140 0.889 -9.446 8.187
workclass[T. Self-emp-not-inc] -0.0576 4.498 -0.013 0.990 -8.873 8.758
workclass[T. State-gov] -0.2733 4.498 -0.061 0.952 -9.090 8.544
workclass[T. Without-pay] 10.0745 85.048 0.118 0.906 -156.616 176.765
...
Python のロジスティック回帰がエラーを生成し、R によって生成されたものとは異なる結果を生成するのはなぜですか? これらの API は実際には同等ではありませんか (以前に同じ結果を生成するために動作させたことがあります)。データセットを統計モデルで使用できるようにするために必要な、データセットの追加処理はありますか?