{"id":166821,"date":"2023-01-16T10:40:40","date_gmt":"2023-01-16T09:40:40","guid":{"rendered":"https:\/\/liora.io\/de\/?p=166821"},"modified":"2026-02-06T07:06:25","modified_gmt":"2026-02-06T06:06:25","slug":"statsmodels","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/statsmodels","title":{"rendered":"Statsmodels: Alles \u00fcber die Python-Bibliothek erfahren"},"content":{"rendered":"<p><strong>Wenn du schon einmal versucht hast, Zeitreihen zu modellieren, hast du wahrscheinlich schon von ARMA- oder ARIMA-Modellen geh\u00f6rt. In Python ist die am h\u00e4ufigsten verwendete Bibliothek daf\u00fcr Statsmodels. In diesem Artikel bieten wir dir einen kurzen \u00dcberblick \u00fcber die Verwendung von statsmodels und einige Anwendungsbeispiele.<\/strong><\/p>\n<h3>Was kann man mit Statsmodels machen?<\/h3>\nStatsmodels ist eine Bibliothek <b>zur Analyse und Modellierung von statistischen Daten<\/b>. Sie bietet eine Reihe von Funktionen, die in klassischen Bibliotheken nicht vorhanden sind, z. B. <a href=\"https:\/\/scikit-learn.org\/stable\/\">sklearn<\/a>.\n<h5><b>Lineare Regression<\/b><\/h5>\nZun\u00e4chst einmal erg\u00e4nzt Statsmodels <b>die <\/b>klassische <b>lineare Regression <\/b>weitgehend, indem es neue Sch\u00e4tzer f\u00fcr die <b>kleinsten Quadrate <\/b>anbietet. Normalerweise werden die gew\u00f6hnlichen kleinsten Quadrate (OLS) verwendet, um die lineare Regression zu sch\u00e4tzen. Wenn jedoch einige Residuen korreliert sind, ist die lineare Regression nicht mehr effizient. Die <b>verallgemeinerte kleinste Quadrate <\/b>(GLS) kann dieses Problem l\u00f6sen.\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"613\" height=\"460\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/01\/pasted-image-0.webp\" alt=\"\" loading=\"lazy\"><figcaption>Beispiel f\u00fcr eine lineare OLS-Regression<\/figcaption><\/figure>\nParallel zu dieser Methode stellt statsmodels zwei weitere, komplexere Sch\u00e4tzer der gew\u00f6hnlichen kleinsten Quadrate vor: die rekursiven kleinsten Quadrate (RLS) und die mobilen kleinsten Quadrate (MLS).\n\nAu\u00dferdem stellt die klassische lineare Regression eine <b>Reihe von Annahmen auf, <\/b>die w\u00e4hrend des Prozesses \u00fcberpr\u00fcft werden m\u00fcssen. Statsmodels stellt verschiedene <b>statistische Tests <\/b>vor, mit denen :\n<ul>\n \t<li style=\"font-weight: 400\">die Nicht-Multikollinearit\u00e4t der Variablen<\/li>\n \t<li style=\"font-weight: 400\">Homoskedastizit\u00e4t (Breusch-Pagan-Test)<\/li>\n \t<li style=\"font-weight: 400\">die Normalit\u00e4t der R\u00fcckst\u00e4nde (Jarque-Bera-Test)<\/li>\n<\/ul>\nSehen wir uns ein Anwendungsbeispiel in Python an:\n<h3>Verallgemeinerte lineare Modelle<\/h3>\nParallel dazu erm\u00f6glicht die statsmodels-Bibliothek die Verwendung von <b>verallgemeinerten linearen Modellen (GLM), <\/b>die eine Verallgemeinerung der klassischen linearen Regression darstellen.&nbsp;\n\nDie lineare Regression geht davon aus, dass die zu erkl\u00e4rende Variable einer Normalverteilung folgt (diese Annahme wird durch die Normalverteilung der Residuen auferlegt). Bei der GLM kann eine beliebige Verteilung aus der Familie der Exponentialverteilungen verwendet werden.\n\nAu\u00dferdem verbindet das GLM die zu erkl\u00e4rende Variable mit dem Modell \u00fcber eine <b>Verkn\u00fcpfungsfunktion, was <\/b>die klassische lineare Regression noch flexibler macht.\n\nEin Spezialfall des verallgemeinerten linearen Modells ist die logistische Regression. Die zu erkl\u00e4rende Variable folgt <b>einer Binomialverteilung <\/b>und es wird eine <b>Logit-Link-Funktion<\/b> verwendet.\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">Mehr \u00fcber die Weiterbildung zum Data Scientist<\/a><\/div><\/div>\n\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"640\" height=\"384\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/01\/pasted-image-0-1.webp\" alt=\"\" loading=\"lazy\">\n\n<figcaption>Beispiel f\u00fcr eine logistische Regression<\/figcaption><\/figure>\n<h3>Zeitreihen :<\/h3>\nStatsmodels stellt insbesondere zahlreiche Werkzeuge vor, die bei der Untersuchung von Zeitreihen sehr n\u00fctzlich und umfangreich sind.\n\nZun\u00e4chst einmal die <b>Zerlegung in Trend, Saisonalit\u00e4t und Nachlauf<\/b>. Wenn du mit diesen klassischen Komponenten von Zeitreihen nicht vertraut bist, empfehlen wir dir, unseren Artikel \u00fcber <a href=\"https:\/\/liora.io\/de\/zeitreihen-erzaehlen\">Zeitreihen zu lesen<\/a>.\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"570\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/01\/pasted-image-0-2-1.webp\" alt=\"\" loading=\"lazy\">\n\n<figcaption>Beispiel f\u00fcr eine Zerlegung<\/figcaption><\/figure>\nDiese Funktion erm\u00f6glicht es, auf einen Blick den Einfluss der verschiedenen Komponenten in unserem Modell zu erkennen, aber auch die Residuen zu visualisieren, um einen ersten Eindruck von ihrer <b>Stationarit\u00e4t zu <\/b>erhalten.\n\nStatsmodels implementiert auch zwei statistische Tests, um die Stationarit\u00e4t von Zeitreihen zu \u00fcberpr\u00fcfen: den Augmented Dickey-Fuller-Test (ADF) und den KPSS-Test (Kwiatkowski-Phillips-Schmidt-Shin).\n\nUnd nicht zuletzt bietet statsmodels eine ganze Reihe klassischer Modelle zur <b>Modellierung von Zeitreihen<\/b>:\n<ul>\n \t<li style=\"font-weight: 400\">Selbstregulierende Prozesse<\/li>\n \t<li style=\"font-weight: 400\">Gleitende Durchschnitte<\/li>\n \t<li style=\"font-weight: 400\">Die ARMA und <strong><a href=\"https:\/\/liora.io\/de\/arima\">ARIMA<\/a><\/strong><\/li>\n \t<li style=\"font-weight: 400\">Die SARIMA, SARIMAX, VARIMAX<\/li>\n<\/ul>\nSARIMAX ist einfach ein SARIMA-Prozess, der parallel exogene Variablen verwendet, um die Zeitreihe vorherzusagen. VARIMAX ist ein vektorisierter ARIMAX-Prozess, der mehrere Werte gleichzeitig vorhersagen kann.\n\nZus\u00e4tzlich zu den in diesem Artikel vorgestellten Funktionen bietet die Bibliothek statsmodels viele weitere M\u00f6glichkeiten und wird st\u00e4ndig erweitert. Um mehr zu erfahren, ist ihre Dokumentation mit vielen detaillierten Beispielen versehen.\n<h3>Schlussfolgerung<\/h3>\nStatsmodels ist ein unverzichtbares Werkzeug f\u00fcr Statistiker und <strong><a href=\"https:\/\/liora.io\/metier-data-scientist\">Data Scientists<\/a><\/strong>, insbesondere bei der Untersuchung von Zeitreihen. Seine leicht verst\u00e4ndliche und reproduzierbare Syntax erm\u00f6glicht es, statistische Reihen problemlos zu verwenden, zu modellieren und zu untersuchen.\n\nDie Werkzeuge, die ein Data Scientist beherrschen muss, umfassen jedoch weitaus mehr Themen (Data Vizualisation, Machine Learning, Deep Learning, &#8230;), die du in unserer <strong><a href=\"https:\/\/liora.io\/de\/weiterbildung-data-scientist\">Data Scientist-Ausbildung<\/a><\/strong> kennenlernen kannst.\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">Ecke unsere Schulungen in Data<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>Wenn du schon einmal versucht hast, Zeitreihen zu modellieren, hast du wahrscheinlich schon von ARMA- oder ARIMA-Modellen geh\u00f6rt. In Python ist die am h\u00e4ufigsten verwendete Bibliothek daf\u00fcr Statsmodels. In diesem Artikel bieten wir dir einen kurzen \u00dcberblick \u00fcber die Verwendung von statsmodels und einige Anwendungsbeispiele. Was kann man mit Statsmodels machen? Statsmodels ist eine Bibliothek [&hellip;]<\/p>\n","protected":false},"author":79,"featured_media":166822,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-166821","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/166821","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/79"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=166821"}],"version-history":[{"count":2,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/166821\/revisions"}],"predecessor-version":[{"id":217746,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/166821\/revisions\/217746"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/166822"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=166821"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=166821"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}