statsmodels.nonparametric.kernel_regression.KernelCensoredReg¶

class statsmodels.nonparametric.kernel_regression.KernelCensoredReg(endog, exog, var_type, reg_type, bw='cv_ls', ckertype='gaussian', ukertype='aitchison_aitken_reg', okertype='wangryzin_reg', censor_val=0, defaults=None)[source]¶

非参数删失回归。

计算条件均值 E[y|X] 其中 y = g(X) + e, 其中 y 是左删失的。左删失变量 Y 定义为 Y = min {Y', L} 其中 L 是 Y 被删失的值 且 Y' 是变量的真实值。

Parameters:¶

endoglist with one element which is array_like

这是因变量。

exoglist

自变量的训练数据 列表中的每个元素都是一个单独的变量

dep_typestr

因变量(s)的类型 c: 连续 u: 无序（离散） o: 有序（离散）

reg_typestr

回归估计器的类型 lc: 局部常数估计器 ll: 局部线性估计器

bwarray_like

用户指定的带宽或带宽选择方法。 cv_ls: 交叉验证最小二乘法 aic: AIC Hurvich估计量

ckertypestr, optional

用于连续变量的核函数。

okertypestr, optional

用于有序离散变量的核函数。

ukertypestr, optional

用于无序离散变量的核函数。

censor_valfloat

因变量被审查的值

defaultsEstimatorSettings instance, optional

高效带宽估计的默认值

Attributes:¶

bwarray_like

带宽参数

方法

aic_hurvich(bw[, func])	计算用于带宽估计的AIC Hurvich准则。
censored(censor_val)
cv_loo(bw, func)	使用留一法估计的交叉验证函数
fit([data_predict])	返回在data_predict点处的边际效应。
loo_likelihood()
r_squared()	返回非参数回归的R平方值。
sig_test(var_pos[, nboot, nested_res, pivot])	回归中变量的显著性检验。