statsmodels.genmod.generalized_estimating_equations.NominalGEE¶
-
class statsmodels.genmod.generalized_estimating_equations.NominalGEE(endog, exog, groups, time=
None, family=None, cov_struct=None, missing='none', offset=None, dep_data=None, constraint=None, **kwargs)[source]¶ 使用GEE的名义响应边际回归模型。
使用广义估计方程拟合的边际回归模型。
GEE 可以用于拟合广义线性模型（GLMs），当数据具有分组结构时，观测值在组内可能相关，但在组间不相关。
- Parameters:¶
- endogarray_like
内生值的一维数组（即响应、结果、因变量或‘Y’值）。
- exogarray_like
外生变量的二维数组（即协变量、预测变量、自变量、回归变量或‘X’值）。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。
- groupsarray_like
长度为 nobs 的一维数组，包含组标签。
- timearray_like
一个二维数组的时间（或其他索引）值，用于某些依赖结构中，以定义集群内观测值之间的相似性关系。
- family
familyclassinstance 默认值 None 使用了一个专门为 GEE 设计的多项式 logit 族。设置此参数为非默认值目前不受支持。
- cov_struct
CovStructclassinstance 默认是独立性。要指定可交换结构，请使用 cov_struct = Exchangeable()。更多信息请参见 statsmodels.genmod.cov_struct.CovStruct。
- offsetarray_like
拟合中要包含的偏移量。如果提供，必须是与exog行数相同长度的数组。
- dep_dataarray_like
传递给依赖结构的附加数据。
- constraint(
ndarray,ndarray) 如果提供，约束是一个元组 (L, R)，使得模型参数在约束 L * param = R 下进行估计，其中 L 是一个 q x p 矩阵，R 是一个 q 维向量。如果提供了约束，将执行一个得分检验，以比较受约束模型与无约束模型。
- update_depbool
如果为真，依赖参数将被优化，否则它们将保持在初始值不变。
- weightsarray_like
用于分析的案例权重数组。
- missing
str 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’。
- Attributes:¶
- cached_means
endog_names内生变量的名称。
exog_names外生变量的名称。
注释
以下组合对 family 和 link 有意义
+ ident log logit probit cloglog pow opow nbinom loglog logc Gaussian | x x x inv Gaussian | x x x binomial | x x x x x x x x x Poisson | x x x neg binomial | x x x x gamma | x x x并非所有这些链接函数当前都可用。
Endog 和 exog 是引用，因此如果它们所引用的数据已经是数组并且这些数组发生了变化，endog 和 exog 也会随之变化。
“稳健”协方差类型是标准的“三明治估计量”（例如，Liang和Zeger（1986））。它是这里的默认值，也是大多数其他包中的默认值。“朴素”估计量给出的标准误差较小，但仅在工作的相关结构正确指定时才是正确的。Mancl和DeRouen（《生物统计学》，2001）的“偏差减少”估计量减少了稳健估计量的向下偏差。
这里提供的稳健协方差遵循Liang和Zeger（1986）的方法，并与R的gee实现一致。要获得Stata中报告的稳健标准误差，请乘以sqrt(N / (N - g))，其中N是总样本大小，g是平均组大小。
名义和顺序的GEE模型不应该有截距（无论是隐式的还是显式的）。在公式中使用“0 + ”来抑制截距。
示例
使用GEE拟合名义回归模型：
>>> import statsmodels.api as sm >>> import statsmodels.formula.api as smf >>> gor = sm.cov_struct.GlobalOddsRatio("nominal") >>> model = sm.NominalGEE(endog, exog, groups, cov_struct=gor) >>> result = model.fit() >>> print(result.summary())使用公式：
>>> import statsmodels.api as sm >>> model = sm.NominalGEE.from_formula("y ~ 0 + x1 + x2", groups, data, cov_struct=gor) >>> result = model.fit() >>> print(result.summary())使用公式 API：
>>> import statsmodels.formula.api as smf >>> model = smf.nominal_gee("y ~ 0 + x1 + x2", groups, data, cov_struct=gor) >>> result = model.fit() >>> print(result.summary())方法
cluster_list(数组)返回 数组 分割成与聚类结构相对应的子数组。
compare_score_test(submodel)对给定的子模型对此模型执行得分检验。
估计离散度/尺度。
estimate_tweedie_power(mu[, method, low, high])Tweedie 特定函数用于估计尺度参数和方差参数。
fit([maxiter, ctol, start_params, ...])使用广义估计方程（GEE）拟合边际回归模型。
fit_constrained(constraints[, start_params])拟合受线性等式约束的模型
fit_regularized(pen_wt[, scad_param, ...])GEE 的正则化估计。
from_formula(formula, groups, data[, ...])从公式和数据框创建模型。
get_distribution(params[, scale, exog, ...])返回预测分布的一个实例。
hessian(params[, scale, observed])Hessian，对数似然函数的二阶导数
hessian_factor(params[, scale, observed])计算Hessian的权重
information(参数[, 尺度])费舍尔信息矩阵。
初始化一个广义线性模型。
loglike(params[, scale])评估广义线性模型的对数似然值。
loglike_mu(mu[, scale])评估广义线性模型的对数似然值。
mean_deriv(exog, lin_pred)关于参数的预期内生变量的导数。
mean_deriv_exog(exog, params[, offset_exposure])多分类模型中关于外生变量的期望内生变量的导数，用于分析边际效应。
predict(参数[, 自变量, 暴露, 偏移, ...])返回设计矩阵的预测值
qic(params, scale, cov_params[, n_step])返回准信息准则和准似然值。
score(参数[, 尺度])得分，对数似然函数的导数
score_factor(params[, scale])每个观测值的分数权重
score_obs(params[, scale])每个观测值的对数似然的一阶导数得分。
score_test(params_constrained[, ...])用于限制条件或遗漏变量的得分检验
setup_nominal(endog, exog, groups, time, offset)将名义数据重构为二元指示符，以便可以使用广义估计方程进行分析。
update_cached_means(mean_params)cached_means 应始终包含组别均值向量的最新计算结果。
属性
内生变量的名称。
外生变量的名称。