statsmodels.regression.linear_model.RegressionResults¶

class statsmodels.regression.linear_model.RegressionResults(model, params, normalized_cov_params=None, scale=1.0, cov_type='nonrobust', cov_kwds=None, use_t=None, **kwargs)[source]¶

此类总结了线性回归模型的拟合情况。

它处理对比度的输出、协方差的估计等。

Parameters:¶

modelRegressionModel

回归模型实例。

paramsndarray

估计的参数。

normalized_cov_paramsndarray

归一化的协方差参数。

scalefloat

残差的估计尺度。

cov_typestr

结果中使用的协方差估计量。

cov_kwdsdict

协方差规范中使用的其他关键词。

use_tbool

指示在推理中使用学生t分布的标志。

**kwargs

用于初始化结果的额外关键字参数。

Attributes:¶

pinv_wexog

查看模型类文档字符串以了解实现细节。

cov_type

用于标准误差和t统计量的参数协方差估计器。

df_model

模型的自由度。回归变量的数量 p。如果存在常数项，则不包括常数项。

df_resid

残差自由度。n - p - 1，如果包含常数项。n - p 如果不包含常数项。

het_scale

用于异方差稳健标准误的调整平方残差。只有在调用 HC#_se 或 cov_HC# 之后才可用。更多信息请参见 HC#_se。

history

迭代估计器的估计历史。

model

指向调用 fit() 或 results 的模型实例的指针。

params

最小化最小二乘准则的线性系数。在经典线性模型中，这通常称为Beta。

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。
cov_params([r_matrix, column, scale, cov_p, ...])	计算方差/协方差矩阵。
f_test(r_matrix[, cov_p, invcov])	计算联合线性假设的F检验。
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
normalized_cov_params()	查看特定模型类的文档字符串
predict([exog, transform])	调用 self.model.predict，将 self.params 作为第一个参数。
remove_data()	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

HC0_se	怀特（1980）的异方差稳健标准误。
HC1_se	麦金农和怀特（1985）的异方差稳健标准误。
HC2_se	麦金农和怀特（1985）的异方差稳健标准误。
HC3_se	麦金农和怀特（1985）的异方差稳健标准误。
aic	赤池信息量准则。
bic	贝叶斯信息准则。
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。
cov_HC0	异方差稳健协方差矩阵。
cov_HC1	异方差稳健协方差矩阵。
cov_HC2	异方差稳健协方差矩阵。
cov_HC3	异方差稳健协方差矩阵。
eigenvals	返回按降序排列的特征值。
ess	解释的平方和。
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。
llf	模型对数似然
mse_model	模型的均方误差。
mse_resid	残差的均方误差。
mse_total	总均方误差。
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。
rsquared	模型的R平方值。
rsquared_adj	调整后的R平方。
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。
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。