statsmodels.discrete.discrete_model.NegativeBinomialP¶

class statsmodels.discrete.discrete_model.NegativeBinomialP(endog, exog, p=2, offset=None, exposure=None, missing='none', check_rank=True, **kwargs)[source]¶

广义负二项分布（NB-P）模型

Parameters:¶

endogarray_like

一个一维的内生响应变量。因变量。

exogarray_like

一个 nobs x k 的数组，其中 nobs 是观测值的数量，k 是回归变量的数量。默认情况下不包含截距，应由用户添加。请参阅 statsmodels.tools.add_constant。

pscalar

P 表示 NB 回归的参数化。p=1 表示 NB-1，p=2 表示 NB-2。默认值是 p=2。

offsetarray_like

偏移量被添加到系数等于1的线性预测中。

exposurearray_like

Log(exposure) 被添加到线性预测中，系数等于1。 missing : str 可用选项有 ‘none’, ‘drop’, 和 ‘raise’。如果选择 ‘none’，则不进行nan检查。如果选择 ‘drop’，则任何包含nan的观测值都会被删除。如果选择 ‘raise’，则会引发错误。默认值为 ‘none’。

check_rankbool

检查外生变量的秩以确定模型的自由度。默认为 True。设置为 False 可以减少当 exog.shape[1] 较大时模型的初始化时间。

Attributes:¶

endogndarray

对内生响应变量的引用

exogndarray

对外生设计的引用。

pscalar

P 表示 NB-P 回归的参数化。p=1 表示 NB-1，p=2 表示 NB-2。默认值为 p=1。

方法

cdf(X)	模型的累积分布函数。
convert_params(params, mu)
cov_params_func_l1(likelihood_model, xopt, ...)	计算在由l1正则化拟合产生的非零参数对应缩减参数空间上的cov_params。
fit([start_params, method, maxiter, ...])	use_transparams : 布尔值
fit_regularized([start_params, method, ...])	使用正则化的最大似然法拟合模型。
from_formula(formula, data[, subset, drop_cols])	从公式和数据框创建模型。
get_distribution(params[, exog, exposure, ...])	获取分布的冻结实例 基于预测参数获取分布的冻结实例。
hessian(params)	广义负二项分布（NB-P）模型的对数似然函数的Hessian矩阵
hessian_factor(params)	广义负二项分布（NB-P）模型的对数似然函数的Hessian矩阵
information(params)	模型的费舍尔信息矩阵。
initialize()	初始化由 statsmodels.model.LikelihoodModel.__init__ 调用，并且应该包含模型所需的任何预处理。
loglike(params)	广义负二项分布（NB-P）模型的对数似然
loglikeobs(params)	广义负二项分布（NB-P）模型的观测值的对数似然
pdf(X)	模型的概率密度（质量）函数。
predict(params[, exog, exposure, offset, ...])	预测给定外生变量的模型的响应变量。
score(params)	广义负二项分布（NB-P）模型得分（梯度）向量的对数似然
score_factor(参数[, 内生])	广义负二项分布（NB-P）模型分数（梯度）向量，表示每个观测值的对数似然值。
score_obs(params)	广义负二项分布（NB-P）模型分数（梯度）向量，表示每个观测值的对数似然值。

属性

endog_names	内生变量的名称。
exog_names	外生变量的名称。