要遍历统计模型并绘制拟合的响应曲线，您可以按照以下步骤进行操作：

1. 导入必要的库和模块：您需要导入一些常用的数据分析和绘图库，如numpy、pandas和matplotlib。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2. 准备数据：准备您的数据，包括自变量和因变量。您可以使用pandas库读取数据文件或手动创建一个数据框。

# 从文件中读取数据
data = pd.read_csv('data.csv')

# 手动创建数据框
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 5, 8, 10])

3. 定义统计模型：根据您的数据和问题，定义一个适当的统计模型。例如，您可以使用线性回归模型。

# 线性回归模型
def linear_regression(x, y):
    n = len(x)
    x_mean = np.mean(x)
    y_mean = np.mean(y)
    xy_mean = np.mean(x * y)
    xx_mean = np.mean(x * x)

    slope = (xy_mean - x_mean * y_mean) / (xx_mean - x_mean * x_mean)
    intercept = y_mean - slope * x_mean

    return slope, intercept

4. 拟合模型并绘制响应曲线：使用上述定义的模型，拟合数据并绘制响应曲线。

# 拟合模型
slope, intercept = linear_regression(x, y)

# 绘制原始数据和拟合曲线
plt.scatter(x, y, color='blue', label='Data')
plt.plot(x, slope * x + intercept, color='red', label='Fitted line')
plt.legend()
plt.show()

这是一个简单的示例，您可以根据实际情况进行修改和扩展。根据您的问题，您可能需要选择其他统计模型，并相应地修改代码。