statsmodels.regression.linear_model.OLSResults¶
-
class statsmodels.regression.linear_model.OLSResults(model, params, normalized_cov_params=
None, scale=1.0, cov_type='nonrobust', cov_kwds=None, use_t=None, **kwargs)[source]¶ OLS模型的结果类。
- Parameters:¶
- Attributes:¶
- HC0_se
怀特（1980）的异方差稳健标准误。
定义为 sqrt(diag(X.T X)^(-1)X.T diag(e_i^(2)) X(X.T X)^(-1) 其中 e_i = resid[i]。
当调用 HC0_se 或 cov_HC0 时，RegressionResults 实例将具有另一个属性 het_scale，在这种情况下，它只是 resid**2。
- HC1_se
麦金农和怀特（1985）的异方差稳健标准误。
定义为 sqrt(diag(n/(n-p)*HC_0)。
当调用 HC1_se 或 cov_HC1 时，RegressionResults 实例将具有另一个属性 het_scale，在这种情况下为 n/(n-p)*resid**2。
- HC2_se
麦金农和怀特（1985）的异方差稳健标准误。
定义为 (X.T X)^(-1)X.T diag(e_i^(2)/(1-h_ii)) X(X.T X)^(-1) 其中 h_ii = x_i(X.T X)^(-1)x_i.T
当调用 HC2_se 或 cov_HC2 时，RegressionResults 实例将具有另一个属性 het_scale，在这种情况下为 resid^(2)/(1-h_ii)。
- HC3_se
麦金农和怀特（1985）的异方差稳健标准误。
定义为 (X.T X)^(-1)X.T diag(e_i^(2)/(1-h_ii)^(2)) X(X.T X)^(-1) 其中 h_ii = x_i(X.T X)^(-1)x_i.T。
当调用 HC3_se 或 cov_HC3 时，RegressionResults 实例将具有另一个属性 het_scale，在这种情况下为 resid^(2)/(1-h_ii)^(2)。
- aic
赤池信息量准则。
对于带有常数的模型 \(-2llf + 2(df\_model + 1)\)。对于不带常数的模型 \(-2llf + 2(df\_model)\)。
- bic
贝叶斯信息准则。
对于带有常数的模型 \(-2llf + \log(n)(df\_model+1)\). 对于不带常数的模型 \(-2llf + \log(n)(df\_model)\).
- bse
参数估计的标准误差。
- centered_tss
总（加权）平方和，以均值为中心。
- condition_number
返回外生矩阵的条件数。
计算为外生变量的最大奇异值与最小奇异值的比率。该值与外生变量的内积的最大特征值与最小特征值的比率的平方根相同。
- cov_HC0
异方差稳健协方差矩阵。参见 HC0_se。
- cov_HC1
异方差稳健协方差矩阵。参见 HC1_se。
- cov_HC2
异方差稳健协方差矩阵。参见 HC2_se。
- cov_HC3
异方差稳健协方差矩阵。参见 HC3_se。
- eigenvals
返回按降序排列的特征值。
- ess
解释的平方和。
如果存在常数项，则使用中心化的总平方和减去残差平方和。如果没有常数项，则使用未中心化的总平方和。
- f_pvalue
F统计量的p值。
- fittedvalues
原始（未白化）设计的预测值。
- fvalue
完全指定模型的F统计量。
如果使用非稳健协方差，则计算为模型均方误差除以残差均方误差。否则，使用类似于Wald的二次形式计算，该形式测试所有系数（不包括常数项）是否为零。
- llf
模型对数似然
- mse_model
模型的均方误差。
解释的平方和除以模型的自由度。
- mse_resid
残差的均方误差。
残差平方和除以残差自由度。
- mse_total
总均方误差。
未中心化的总平方和除以观测值的数量。
- nobs
观测值数量 n。
- pvalues
参数t统计量的双尾p值。
- resid
模型的残差。
- resid_pearson
残差，归一化为单位方差。
- array_like
数组 wresid 通过缩放的平方根进行归一化，以具有单位方差。
- rsquared
模型的R平方值。
这里定义为 1 - ssr/centered_tss（如果模型中包含常数项）和 1 - ssr/uncentered_tss（如果模型中省略常数项）。
- rsquared_adj
调整后的R平方。
这里定义为 1 - (nobs-1)/df_resid * (1-rsquared) 如果包含常数项，并且 1 - nobs/df_resid * (1-rsquared) 如果 不包含常数项。
- ssr
平方（白化）残差的总和。
- tvalues
返回给定参数估计的t统计量。
- uncentered_tss
未中心化的平方和。
内生响应变量的（白化）平方值之和。
use_t指示在推理中使用学生分布的标志。
- wresid
变换/白化后的因变量和自变量的残差。
另请参阅
RegressionResultsWLS 和 GLW 模型的结果存储。
注释
大多数方法和属性都是从RegressionResults继承的。 OLS特有的方法包括：
获取影响力
异常值测试
el_test
conf_int_el
方法
compare_f_test(restricted)使用F检验来检验受限模型是否正确。
compare_lm_test(restricted[, demean, use_lr])使用拉格朗日乘数检验来检验一组线性约束。
compare_lr_test(restricted[, large_sample])似然比检验用于检验受限模型是否正确。
conf_int([alpha, cols])计算拟合参数的置信区间。
conf_int_el(param_num[, sig, upper_bound, ...])使用经验似然计算置信区间。
cov_params([r_matrix, column, scale, cov_p, ...])计算方差/协方差矩阵。
el_test(b0_vals, param_nums[, ...])使用经验似然检验单一或联合假设。
f_test(r_matrix[, cov_p, invcov])计算联合线性假设的F检验。
计算影响和异常值度量。
get_prediction([exog, transform, weights, ...])计算预测结果。
get_robustcov_results([cov_type, use_t])创建新的结果实例，默认使用稳健协方差。
info_criteria(crit[, dk_params])返回模型的信息准则。
initialize(model, params, **kwargs)初始化（可能重新初始化）一个 Results 实例。
load(fname)加载一个序列化的结果实例
查看特定模型类的文档字符串
outlier_test([method, alpha, labels, order, ...])根据方法测试异常值的观察结果。
predict([exog, transform])调用 self.model.predict，将 self.params 作为第一个参数。
从结果和模型中移除数据数组和所有nobs数组。
save(fname[, remove_data])保存此实例的pickle。
scale()协方差矩阵的缩放因子。
summary([yname, xname, title, alpha, slim])总结回归结果。
summary2([yname, xname, title, alpha, ...])实验性总结函数，用于总结回归结果。
t_test(r_matrix[, cov_p, use_t])计算每个线性假设 Rb = q 的 t 检验。
t_test_pairwise(term_name[, method, alpha, ...])执行成对t检验，并使用多重检验校正p值。
wald_test(r_matrix[, cov_p, invcov, use_f, ...])计算联合线性假设的Wald检验。
wald_test_terms([skip_single, ...])计算多列上项的Wald检验序列。
属性
怀特（1980）的异方差稳健标准误。
麦金农和怀特（1985）的异方差稳健标准误。
麦金农和怀特（1985）的异方差稳健标准误。
麦金农和怀特（1985）的异方差稳健标准误。
赤池信息量准则。
贝叶斯信息准则。
参数估计的标准误差。
总（加权）平方和，以均值为中心。
返回外生矩阵的条件数。
异方差稳健协方差矩阵。
异方差稳健协方差矩阵。
异方差稳健协方差矩阵。
异方差稳健协方差矩阵。
返回按降序排列的特征值。
解释的平方和。
F统计量的p值。
原始（未白化）设计的预测值。
完全指定模型的F统计量。
模型对数似然
模型的均方误差。
残差的均方误差。
总均方误差。
观测值数量 n。
参数t统计量的双尾p值。
模型的残差。
残差，归一化为单位方差。
模型的R平方值。
调整后的R平方。
平方（白化）残差的总和。
返回给定参数估计的t统计量。
未中心化的平方和。
指示在推理中使用学生分布的标志。
变换/白化后的因变量和自变量的残差。