statsmodels.base.model.GenericLikelihoodModelResults¶

class statsmodels.base.model.GenericLikelihoodModelResults(model, mlefit)[source]¶

离散因变量模型的结果类。

..警告 :

以下描述尚未更新到此版本/类。 AIC、BIC等在哪里？文档字符串看起来像是来自discretemod的复制。

Parameters:¶

modelA DiscreteModel instance

mlefitinstance of LikelihoodResults

这包含了由 LikelihoodModel.fit() 返回的数值优化结果，位于 GnericLikelihoodModels 的超类中

Attributes:¶

aicfloat

赤池信息量准则。-2*(llf - p)，其中p是包括截距在内的回归变量数量。

bicfloat

贝叶斯信息准则。-2*`llf` + ln(nobs)*p 其中 p 是包括截距在内的回归变量数量。

bsendarray

系数的标准误差。

df_residfloat

查看模型定义。

df_modelfloat

查看模型定义。

fitted_valuesndarray

线性预测器 XB。

llffloat

对数似然值

llnullfloat

仅常数对数似然值

llrfloat

似然比卡方统计量；-2*(llnull - llf)

llr_pvaluefloat

获得大于对数似然比统计量 llr 的卡方概率。llr 具有自由度为 df_model 的卡方分布。

prsquaredfloat

McFadden的伪R平方。1 - (llf/llnull)

方法

bootstrap([nrep, method, disp, store])	简单的bootstrap方法来获取估计量的均值和方差
conf_int([alpha, cols])	构建拟合参数的置信区间。
cov_params([r_matrix, column, scale, cov_p, ...])	计算方差/协方差矩阵。
f_test(r_matrix[, cov_p, invcov])	计算联合线性假设的F检验。
get_nlfun(fun)	此功能尚未实现
get_prediction([exog, which, transform, ...])	当端点转换有效时计算预测结果。
initialize(model, params, **kwargs)	初始化（可能重新初始化）一个结果实例。
load(fname)	加载一个序列化的结果实例
normalized_cov_params()	查看特定模型类的文档字符串
predict([exog, transform])	调用 self.model.predict，将 self.params 作为第一个参数。
remove_data()	从结果和模型中移除数据数组和所有nobs数组。
save(fname[, remove_data])	保存此实例的pickle。
summary([yname, xname, title, alpha])	总结回归结果
t_test(r_matrix[, cov_p, use_t])	计算每个线性假设 Rb = q 的 t 检验。
t_test_pairwise(term_name[, method, alpha, ...])	执行成对t检验，并使用多重检验校正p值。
wald_test(r_matrix[, cov_p, invcov, use_f, ...])	计算联合线性假设的Wald检验。
wald_test_terms([skip_single, ...])	计算多列上项的Wald检验序列。

属性

aic	赤池信息量准则
bic	贝叶斯信息准则
bse	参数估计的标准误差。
bsejac	基于covjac的参数估计的标准差
bsejhj	基于covHJH的参数估计的标准差
covjac	基于对数似然函数的雅可比矩阵外积的参数协方差
covjhj	基于HJJH的参数协方差
df_modelwc	模型 WC
hessv	缓存的似然对数的Hessian矩阵
llf	模型对数似然
pvalues	参数t统计量的双尾p值。
score_obsv	对数似然函数的缓存雅可比矩阵
tvalues	返回给定参数估计的t统计量。
use_t	指示在推理中使用学生分布的标志。