statsmodels.discrete.discrete_model.LogitResults.score_test

LogitResults.score_test(exog_extra=None, params_constrained=None, hypothesis='joint', cov_type=None, cov_kwds=None, k_constraints=None, observed=True)

用于限制条件或遗漏变量的得分检验

零假设：约束条件得到满足

备择假设：至少有一个约束条件不成立

这允许以三种不同的方式指定受限和非受限模型属性

  • fit_constrained 结果：模型包含完整、无限制模型的 score 和 hessian 函数，但结果实例中的参数估计值是针对受限模型的。如果模型是使用 fit_constrained 估计的，则会出现这种情况。

  • 受限模型与变量添加：如果 exog_extra 不为 None，则假设当前模型是一个具有零限制的模型，并且无限制模型通过添加 exog_extra 作为额外的解释变量来给出。

  • 提供了受限参数的无限制模型。如果 params_constrained 不是 None，则假设模型为无限制模型，但提供的参数为受限模型的参数。 TODO: 此情况目前仅适用于 非稳健 cov_type，否则我们还需要用户提供的限制矩阵。

Parameters:
exog_extraNone or array_like

联合测试以包含在模型中的解释变量，即被遗漏的变量。

params_constrainedarray_like

受限模型的估计参数。这可以是当前测试遗漏变量时的参数估计。

hypothesisstr, ‘joint’ (default) or ‘separate’

如果假设是‘joint’，则返回所有约束同时成立的卡方检验结果。 如果假设是‘joint’，则返回每个约束的z检验结果。 目前这仅在cov_type=”nonrobust”时实现。

cov_typestr

警告：目前仅部分实现，当前仅支持“nonrobust”和“HC0”。 如果 cov_type 为 None，则使用 Wald 检验中 fit 指定的 cov_type。 如果 cov_type 参数不为 None，则将使用它而不是 fit 中给出的 Wald cov_type。

k_constraintsint or None

在估计参数时使用的约束数量相对于模型中自变量的数量。如果没有提供exog_extra，则必须提供此项。如果exog_extra不为None，则在k_constraints为None时，假设k_constraints为零。

observedbool

如果为真，则在计算分数的协方差矩阵时使用观测到的Hessian。如果为假，则使用期望信息矩阵。目前这仅适用于GLM，其中EIM是可用的。 警告：此选项可能仍会改变。

Returns:
chi2_statfloat

分数检验的卡方统计量

p-valuefloat

基于卡方分布的得分检验的P值。

dfint

用于计算p值的自由度。这等于约束的数量。

注释

状态：实验性，有几个选项尚未实现或尚未验证。目前可用的选项可能仍会发生变化。

cov_type 是 ‘nonrobust’：

分数的协方差矩阵基于Hessian矩阵，即观察到的信息矩阵，或者可选地基于期望的信息矩阵。

cov_type 是 ‘HC0’

得分协方差矩阵是没有自由度修正的score_obs的简单经验协方差。

Last update: Oct 16, 2024