我有一个数据集来进行多元线性回归：
Y = C + aX1 + bX2 + ε
但考虑因变量和自变量测量错误的情况（Y ± α，X1 ± β，X2 ± γ）。这条线是，
Y = C + aX1 + bX2 + (ε + α + βa + γb)
我的问题是如何在回归中实现这些不确定性（α、β、γ）。每个 x 和 y 都有不同的不确定性。 python 中是否有库可以进行这种稳健的回归？
Sklearn.linear_model 执行多元线性回归，但没有不确定性（α、β、γ）。
【问题讨论】：
标签： python python-3.x regression uncertainty
我不明白你想问什么，问题不清楚，但我希望这能在我们从示例中学到一些东西。
import pandas as pd
import matplotlib.pyplot as plt
# Initializing a dictionary
**Stock_Market = {'Year':[2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016],'Month': [12, 11,10,9,8,7,6,5,4,3,2,1,12,11,10,9,8,7,6,5,4,3,2,1],'Interest_Rate': [2.75,2.5,2.5,2.5,2.5,2.5,2.5,2.25,2.25,2.25,2,2,2,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75],'Unemployment_Rate': [5.3,5.3,5.3,5.3,5.4,5.6,5.5,5.5,5.5,5.6,5.7,5.9,6,5.9,5.8,6.1,6.2,6.1,6.1,6.1,5.9,6.2,6.2,6.1], 'Stock_Index_Price': [1464,1394,1357,1293,1256,1254,1234,1195,1159,1167,1130,1075,1047,965,943,958,971,949,884,866,876,822,704,719]}**
df = pd.DataFrame(Stock_Market,columns = ['Year','Month','Interest_Rate','Unemployment_Rate','Stock_Index_Price'])
plt.scatter(df['Interest_Rate'], df['Stock_Index_Price'], color='red')
plt.title('Stock Index Price Vs Interest Rate', fontsize=14)
plt.xlabel('Interest Rate', fontsize=14)
plt.ylabel('Stock Index Price', fontsize=14)
plt.grid(True)
plt.show()
【讨论】：