Olá, Paulo!

Na prática, o ideal é aprender a usar as duas bibliotecas, pois elas tem ferramentas diferentes. Em relação à regressão linear você está certo. A Statsmodels tem mais recursos para que você possa verificar se teve um bom ajuste. Por outro lado, se você for utilizar os coeficientes obtidos na regressão para previsão, é sempre importante dividir os dados em treino e teste, mesmo que a ferramenta não ofereça esse recurso. A Statsmodels não oferece esse recurso porque o foco é outro. O objetivo é a análise estatística e determinar se uma reta se adequa ao conjunto de dados completo. Já a sklearn foca dividir em treino e teste porque além de fazer essa verificação a ideia é usar o modelo treinado para prever valores que não fazem parte do conjunto de treino. Essa divisão em treino e teste é importante para ver se o modelo está conseguindo prever bem dados que não conhece, os dados de teste.