statsmodels.regression.linear_model.WLS¶

class statsmodels.regression.linear_model.WLS(endog, exog, weights=1.0, missing='none', hasconst=None, **kwargs)[source]¶

加权最小二乘法

权重被假定为（与）观测值方差的倒数成比例。也就是说，如果变量要通过 1/sqrt(W) 进行变换，你必须提供 weights = 1/W。

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。

weightsarray_like, optional

一维权重数组。 如果你提供 1/W，那么变量会预乘以 1/sqrt(W)。 如果没有提供权重，默认值为 1，WLS 结果与 OLS 相同。

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:¶

weightsndarray

作为参数提供的存储权重。

另请参阅

GLS

使用广义最小二乘法拟合线性模型。

OLS

使用普通最小二乘法拟合线性模型。

注释

如果权重是数据的函数，那么诸如fvalue和mse_model等后估计统计数据可能不正确，因为该包尚不支持无常数回归。

示例

>>> import statsmodels.api as sm
>>> Y = [1,3,4,5,2,3,4]
>>> X = range(1,8)
>>> X = sm.add_constant(X)
>>> wls_model = sm.WLS(Y,X, weights=list(range(1,8)))
>>> results = wls_model.fit()
>>> results.params
array([ 2.91666667,  0.0952381 ])
>>> results.tvalues
array([ 2.0652652 ,  0.35684428])
>>> print(results.t_test([1, 0]))
<T test: effect=array([ 2.91666667]), sd=array([[ 1.41224801]]),
 t=array([[ 2.0652652]]), p=array([[ 0.04690139]]), df_denom=5>
>>> print(results.f_test([0, 1]))
<F test: F=array([[ 0.12733784]]), p=[[ 0.73577409]], df_denom=5, df_num=1>

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。
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)	WLS模型的白化器，将每一列乘以sqrt(self.weights)。

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。