statsmodels.discrete.discrete_model.Probit¶

class statsmodels.discrete.discrete_model.Probit(endog, exog, offset=None, check_rank=True, **kwargs)[source]¶

概率模型

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。

offsetarray_like

偏移量被添加到系数等于1的线性预测中。

missingstr

可用的选项是‘none’、‘drop’和‘raise’。如果选择‘none’，则不进行nan检查。如果选择‘drop’，则会删除任何包含nan的观测值。如果选择‘raise’，则会引发错误。默认值是‘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。

方法

cdf(X)	Probit（正态）累积分布函数
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, ...])	使用最大似然法拟合模型。
fit_constrained(约束[, start_params])	fit_constraint 返回一个结果实例
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, offset])	获取基于预测参数的分布的冻结实例。
hessian(params)	Probit 模型的对数似然函数的 Hessian 矩阵
hessian_factor(params)	Probit 模型对数似然函数的 Hessian 因子
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)	概率模型的对数似然（即正态分布）。
loglikeobs(params)	每个观测值的probit模型的对数似然值
pdf(X)	Probit（正态）概率密度函数
predict(params[, exog, which, linear, offset])	预测给定外生变量的模型的响应变量。
score(params)	Probit 模型得分（梯度）向量
score_factor(参数)	每个观测值的Probit模型雅可比矩阵
score_obs(params)	每个观测值的Probit模型雅可比矩阵

属性

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