# statsmodels

Скилл подключает к агенту оценку и диагностику статистических моделей на Python: OLS, GLM, дискретные и временные ряды. Пригодится, когда нужно посчитать коэффициенты и проверить допущения модели.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 2100 установок · ★ 54652
- Автор: K-Dense-AI
- Лицензия: LicenseRef-BSD-3-Clause-license · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/K-Dense-AI/scientific-agent-skills/tree/HEAD/skills/statsmodels/SKILL.md
- Обновлён: 2026-10-19
- HTML: https://affpapa.org/nevibecode/skills/k-dense-ai-statsmodels

## Что делает

Скилл описывает работу с `statsmodels` в Python: линейные модели (OLS, WLS, GLS, квантильная регрессия), обобщённые линейные модели, дискретный выбор, счётные и порядковые исходы, ARIMA, SARIMAX, VAR и прогнозирование. Отдельно разобраны тесты и диагностика: гетероскедастичность, автокорреляция, нормальность остатков, выбросы и влиятельные наблюдения, сравнение моделей по AIC/BIC и тесту отношения правдоподобия.

Внутри — набор справочных файлов: быстрый старт с минимальными примерами OLS, логистической регрессии, ARIMA и GLM, обзор возможностей моделирования, выбор модели и формульный API в стиле R, плюс отдельные файлы по линейным моделям, GLM, дискретному выбору, временным рядам и диагностике. Агенту разрешены `Read`, `Write`, `Edit` и `Bash`.

Нужен Python 3.10+ и `statsmodels` 0.15.0; протестированный стек NumPy 2.5.3 и SciPy 1.18.1 требует Python 3.12+. Для графиков нужен matplotlib, для метрик прогноза — scikit-learn. Сеть требуется только на установку и чтение документации, учётные данные не нужны. Установка в отдельное окружение: `uv pip install statsmodels==0.15.0 numpy==2.5.3 scipy==1.18.1 pandas==3.0.6 matplotlib==3.11.2 scikit-learn==1.9.1`. Если версии NumPy и SciPy не совпадут с проверенными, поведение тестов из 0.15 может отличаться — в этой версии часть тестов перешла на `result_object=True` и именованные поля, а вместо `seed` и `random_state` используется `rng=`.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill statsmodels -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/statsmodels/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/statsmodels/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill statsmodels -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/statsmodels/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill statsmodels -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/statsmodels/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install K-Dense-AI/scientific-agent-skills statsmodels
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/statsmodels/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill statsmodels -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/K-Dense-AI/scientific-agent-skills --path skills/statsmodels
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/statsmodels/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill statsmodels -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/K-Dense-AI/scientific-agent-skills/tree/HEAD/skills/statsmodels/SKILL.md

## Когда брать
- подобрать OLS и проверить остатки на гетероскедастичность
- оценить логистическую регрессию и посчитать предельные эффекты
- разложить счётные данные: проверить передисперсию и перейти к отрицательному биномиальному
- построить ARIMA или SARIMAX и сделать прогноз
- сравнить вложенные модели по AIC/BIC и тесту отношения правдоподобия

## Примеры запросов агенту
- Подбери OLS по формуле `y ~ x1 + x2` и покажи диагностику остатков
- Проверь передисперсию в пуассоновской модели и, если она есть, перейди к отрицательному биномиальному
- Построй SARIMAX по этому ряду и выведи прогноз с доверительными интервалами

## Похожие
- [xlsx](https://affpapa.org/nevibecode/skills/xlsx.md) — скилл · 187223 установки
- [google-agents-cli-observability](https://affpapa.org/nevibecode/skills/google-agents-cli-observability.md) — скилл · 511300 установок
- [caveman-evidence-review](https://affpapa.org/nevibecode/skills/caveman-evidence-review.md) — скилл · 104500 установок
- [migration](https://affpapa.org/nevibecode/skills/migration.md) — скилл · 103900 установок
- [performance-optimization](https://affpapa.org/nevibecode/skills/performance-optimization.md) — скилл · 65200 установок
- [supabase](https://affpapa.org/nevibecode/skills/supabase.md) — скилл · 8 установок

## Другие версии с тем же именем
- [statsmodels · davila7](https://affpapa.org/nevibecode/skills/statsmodels.md) — 97 установок

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md