statsmodels.nonparametric.kernel_density.KDEMultivariateConditional¶

class statsmodels.nonparametric.kernel_density.KDEMultivariateConditional(endog, exog, dep_type, indep_type, bw, defaults=None)[source]¶

条件多元核密度估计器。

计算 P(Y_1,Y_2,...Y_n | X_1,X_2...X_m) = P(X_1, X_2,...X_n, Y_1, Y_2,..., Y_m)/P(X_1, X_2,..., X_m)。 条件密度根据定义是两个密度之比， 参见 [1]。

Parameters:¶

endoglist of ndarrays or 2-D ndarray

用于确定带宽的因变量的训练数据。如果是一个二维数组，应该是形状为 (观测数量, 变量数量)。如果是一个列表，每个列表元素是一个单独的观测值。

exoglist of ndarrays or 2-D ndarray

自变量的训练数据；与endog形状相同。

dep_typestr

因变量的类型：

c : 连续 u : 无序（离散） o : 有序（离散）

字符串应包含每个变量的类型说明符，例如 dep_type='ccuo'。

indep_typestr

自变量的类型；指定方式类似于dep_type。

bwarray_like or str, optional

如果是一个数组，它是用户指定的固定带宽。如果是字符串，应该是以下之一：

• normal_reference: 正常参考经验法则（默认）

• cv_ml: 交叉验证最大似然

• cv_ls: 交叉验证最小二乘法

defaultsInstance of class EstimatorSettings

高效带宽估计的默认值

Attributes:¶

bwarray_like

带宽参数

另请参阅

KDEMultivariate

参考文献

[1]

https://en.wikipedia.org/wiki/Conditional_probability_distribution

示例

>>> import statsmodels.api as sm
>>> nobs = 300
>>> c1 = np.random.normal(size=(nobs,1))
>>> c2 = np.random.normal(2,1,size=(nobs,1))

>>> dens_c = sm.nonparametric.KDEMultivariateConditional(endog=[c1],
...     exog=[c2], dep_type='c', indep_type='c', bw='normal_reference')
>>> dens_c.bw   # show computed bandwidth
array([ 0.41223484,  0.40976931])

方法

cdf([endog_predict, exog_predict])	条件密度的累积分布函数。
imse(bw)	条件核密度估计的积分均方误差。
loo_likelihood(bw[, func])	返回数据的留一法条件似然值。
pdf([endog_predict, exog_predict])	评估概率密度函数。