Scikit-learn不支持真正意义上的加权最小二乘法（WLS），其LinearRegression仅通过sample_weight实现简单加权，无法修正标准误、R²、F统计量，也不提供置信区间等推断功能；正确做法是用sklearn预处理和初估残差，再用statsmodels的WLS配合方差倒数权重进行严谨建模。
Scikit-learn本身不支持加权最小二乘法（WLS）
scikit-learn的LinearRegression默认使用普通最小二乘（OLS），不提供sample_weight以外的异方差建模能力——而sample_weight仅能做简单加权，无法像statsmodels那样基于残差拟合权重函数或迭代重加权（IRLS）。如果你看到某篇教程说“用sklearn实现WLS”，大概率是误用了sample_weight参数，把它当成WLS等价物，这是危险的。
为什么sample_weight不能替代WLS
sample_weight在LinearRegression.fit()中确实会对损失函数加权，形式上接近WLS目标函数，但它不修正标准误、不调整R²解释、不更新F统计量，所有评估指标和predict()的不确定性估计仍按同方差假设计算。这意味着：
- 回归系数估计值虽与WLS一致（当权重设为1/σᵢ²时），但
coef_.std_（不存在）、score()、置信区间全不可信 - 无法自动估计权重——你得先有σᵢ²的先验知识，或从OLS残差中手动建模（如用
np.abs(resid)**2拟合方差函数） - sklearn不提供
get_prediction()或conf_int()这类推断接口，权重只影响点估计
实际可操作的三步替代方案
要真正处理异方差并获得可靠推断，推荐组合使用sklearn预处理 + statsmodels建模：
- 用
sklearn.preprocessing.PolynomialFeatures或StandardScaler做特征工程（sklearn强项） - 用
sklearn.linear_model.LinearRegression快速跑初始OLS，提取残差：resid = y - model.predict(X) - 将
abs(resid)或resid**2作为因变量，对X或model.predict(X)拟合一个回归（如sklearn.ensemble.RandomForestRegressor），预测出每个样本的方差估计var_hat，再传给statsmodels的WLS(y, X, weights=1/var_hat)
这样既利用了sklearn的工程便利性，又没牺牲统计严谨性。注意：若var_hat含零或负值，必须截断或加小常数（如np.clip(var_hat, 1e-6, None)），否则WLS会崩溃。
立即学习“Python免费学习笔记（深入）”；
最容易被忽略的细节：权重必须是方差的倒数，不是标准差
WLS要求权重w_i = 1 / σ_i²，不是1 / σ_i。常见错误是直接用1 / np.abs(resid)当权重——这会导致估计偏差。正确做法是先建模方差（比如用残差平方拟合），再取倒数。如果方差模型输出的是sigma2_pred，权重必须写成1 / (sigma2_pred + 1e-8)；漏掉平方、或忘了防零，都会让结果完全失效。
