statsmodels.regression.process_regression.ProcessMLE¶

class statsmodels.regression.process_regression.ProcessMLE(endog, exog, exog_scale, exog_smooth, exog_noise, time, groups, cov=None, **kwargs)[source]¶

拟合一个高斯均值/方差回归模型。

此类拟合具有参数化均值和协方差结构的一维高斯过程模型，以适应分组数据。对于每个组，都有一个独立的高斯过程潜在实现，由观测到的实值时间变量索引。数据包括在有限数量的时间值处观测到的高斯过程。

过程的均值和方差可以与协变量相关联。均值结构是协变量的线性函数。协方差结构是非平稳的，并且通过“缩放”和“平滑”参数进行参数化定义。同一组内两个观测值之间的过程协方差是这两个观测值时间值之间距离的函数。缩放和平滑参数可以与协变量相关联。

观测数据被建模为高斯过程实现与（可选的）独立白噪声之和。白噪声的标准差可以与协变量相关联。

数据应以“长格式”提供，并带有组标签，以指示哪些观测值属于同一组。 不同组中的观测值始终是独立的。

Parameters:¶

endogarray_like

因变量。

exogarray_like

均值结构的设计矩阵

exog_scalearray_like

缩放结构的设计矩阵

exog_smootharray_like

平滑结构的设计矩阵

exog_noisearray_like

加性白噪声的设计矩阵。线性预测器是白噪声标准差的自然对数。如果为 None，则没有加性噪声（过程被直接观测）。

timearray_like (1-dimensional)

单变量指数值，用于计算同一组内观测值之间的距离，从而确定它们的关联性。

groupsarray_like (1-dimensional)

组值。

cova ProcessCovariance instance

默认为高斯协方差。

Attributes:¶

endog_names

内生变量的名称。

exog_names

外生变量的名称。

方法

covariance(time, scale_params, ...)	返回一个高斯过程协方差矩阵。
fit([start_params, method, maxiter])	使用最大似然估计拟合分组高斯过程回归。
from_formula(公式, 数据[, 子集, 删除列])	从公式和数据框创建模型。
hessian(params)	模型的海森矩阵。
information(params)	模型的费舍尔信息矩阵。
initialize()	初始化（可能重新初始化）一个模型实例。
loglike(params)	计算模型的对数似然函数。
predict(params[, exog])	获取均值结构的预测结果。
score(params)	计算模型的得分函数。
unpack(z)	将打包的参数向量拆分为块。

属性

endog_names	内生变量的名称。
exog_names	外生变量的名称。