我肯定漏掉了一些东西，但我所要做的就是用多个变量运行一个基本的线性回归。关键是变量有自定义边界（有些是0->1，其他可能不同）。我想看看解的系数，以及t和P值的输出。
我可以用一个statsmodels.api来运行statsmodels.api.OLS，但是我似乎不能将变量的边界限制为非负。
我可以运行summary()，但这并不能给出关于每个变量可信度的任何输出。
我也尝试过使用scipy.optimize.nnls参数scipy.optimize.lsq_linear，但这似乎并没有达到我预期的效果。
我如何将这些功能组合起来得到我想要的？例如：
Ys = [1,2,3,4]
Xs = [[4,2,6,4], [6,2,1,4], [1,2,4,9]]
bounds = [[0,1], [0,1], [0,5], [0.2,0.4]]
期望输出：
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 1.3292 0.585 -2.274 0.024 -2.483 -0.176
x1 0.0184 0.010 1.859 0.065 -0.001 0.038
x2 0.0253 0.006 4.462 0.000 0.014 0.036
x3 0.0309 0.192 0.057 0.955 -0.368 0.390
所有的系数都符合界限。
最佳答案
对于这种情况，scipy有一个特殊的优化器nnls。
问题是标准误差和推理不规范，一般情况下不易实现。（我还没有弄清楚如何获得标准错误。）
https://github.com/statsmodels/statsmodels/issues/1211
我使用nnls的情况下，我不需要标准错误，它的工作良好。
第二种情况是在优化过程中需要不等式或边界约束，然而，结果通常在内部。这些情况可以通过重新参数化来处理，并在一些情况下使用，例如用于离散或广义线性模型或用于方差函数估计的log或logit链接函数。如果最优值在内部，则应用标准推断。
编辑
获得“近似”标准误差的一种方法是用适当的优化器找到不等式约束问题的参数，然后施加约束，从而在估计OLS等标准模型时具有约束力。对于非负性约束，参数估计值为零的变量可以删除。也就是说，我们将约束的不等式约束视为等式约束。
然而，在这种情况下，计算出的标准误差是假设我们知道哪些约束是有约束力的，并且没有考虑不等式约束的不确定性，这些不确定性可能有约束力，也可能没有约束力。
关于python - 具有t值的Python非负线性回归，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/48252846/