statsmodels.regression.linear_model.GLSAR¶

class statsmodels.regression.linear_model.GLSAR(endog, exog=None, rho=1, missing='none', hasconst=None, **kwargs)[source]¶

具有AR协方差结构的一般最小二乘法

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。

rhoint

自回归协方差的顺序。

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’。

hasconstNone or bool

指示RHS是否包含用户提供的常数。如果为True，则不检查常数，k_constant设置为1，所有结果统计量都计算为存在常数。如果为False，则不检查常数，k_constant设置为0。

**kwargs

在使用公式接口时，用于设置模型属性的额外参数。

Attributes:¶

df_model

模型的自由度。

df_resid

残余自由度。

endog_names

内生变量的名称。

exog_names

外生变量的名称。

注释

GLSAR 被认为是实验性的。 线性自回归过程的 p 阶定义为 AR(p)： TODO

示例

>>> import statsmodels.api as sm
>>> X = range(1,8)
>>> X = sm.add_constant(X)
>>> Y = [1,3,4,5,8,10,9]
>>> model = sm.GLSAR(Y, X, rho=2)
>>> for i in range(6):
...     results = model.fit()
...     print("AR coefficients: {0}".format(model.rho))
...     rho, sigma = sm.regression.yule_walker(results.resid,
...                                            order=model.order)
...     model = sm.GLSAR(Y, X, rho)
...
AR coefficients: [ 0.  0.]
AR coefficients: [-0.52571491 -0.84496178]
AR coefficients: [-0.6104153  -0.86656458]
AR coefficients: [-0.60439494 -0.857867  ]
AR coefficients: [-0.6048218  -0.85846157]
AR coefficients: [-0.60479146 -0.85841922]
>>> results.params
array([-0.66661205,  1.60850853])
>>> results.tvalues
array([ -2.10304127,  21.8047269 ])
>>> print(results.t_test([1, 0]))
<T test: effect=array([-0.66661205]), sd=array([[ 0.31697526]]),
 t=array([[-2.10304127]]), p=array([[ 0.06309969]]), df_denom=3>
>>> print(results.f_test(np.identity(2)))
<F test: F=array([[ 1815.23061844]]), p=[[ 0.00002372]],
 df_denom=3, df_num=2>

或者，等效地

>>> model2 = sm.GLSAR(Y, X, rho=2)
>>> res = model2.iterative_fit(maxiter=6)
>>> model2.rho
array([-0.60479146, -0.85841922])

方法

fit([method, cov_type, cov_kwds, use_t])	模型的完整拟合。
fit_regularized([method, alpha, L1_wt, ...])	返回一个正则化的线性回归模型的拟合结果。
from_formula(formula, data[, subset, drop_cols])	从公式和数据框创建模型。
get_distribution(params, scale[, exog, ...])	构建预测分布的随机数生成器。
hessian(params)	模型的海森矩阵。
hessian_factor(params[, scale, observed])	计算用于计算Hessian的权重。
information(params)	模型的费舍尔信息矩阵。
initialize()	初始化模型组件。
iterative_fit([maxiter, rtol])	执行一个迭代的两阶段程序来估计GLS模型。
loglike(params)	计算高斯对数似然函数在参数params处的值。
predict(params[, exog])	从设计矩阵返回线性预测值。
score(params)	模型的得分向量。
whiten(x)	根据AR(p)协方差结构对一系列列进行白化处理。

属性

df_model	模型的自由度。
df_resid	残余自由度。
endog_names	内生变量的名称。
exog_names	外生变量的名称。