statsmodels.regression.process_regression.ProcessMLEResults¶
- class statsmodels.regression.process_regression.ProcessMLEResults(model, mlefit)[source]¶
高斯过程回归模型的结果类。
- Attributes:¶
- 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。
- bsejac
基于covjac的参数估计的标准差
- bsejhj
基于covHJH的参数估计的标准差
- covjac
基于对数似然函数的雅可比矩阵外积的参数协方差
- covjhj
基于HJJH的参数协方差
海森矩阵的点积，雅可比矩阵，雅可比矩阵，似然的海森矩阵
名称应为covhjh
- df_modelwc
模型 WC
- hessv
缓存的似然对数的Hessian矩阵
- llf
模型对数似然
- pvalues
参数t统计量的双尾p值。
- score_obsv
对数似然函数的缓存雅可比矩阵
- tvalues
返回给定参数估计的t统计量。
use_t指示在推理中使用学生分布的标志。
方法
bootstrap([nrep, method, disp, store])简单的bootstrap方法来获取估计量的均值和方差
conf_int([alpha, cols])构建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。
covariance(时间, 尺度, 平滑)返回一个拟合的协方差矩阵。
f_test(r_matrix[, cov_p, invcov])计算联合线性假设的F检验。
get_nlfun(fun)此功能尚未实现
get_prediction([exog, which, transform, ...])当端点变换有效时计算预测结果。
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
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。
summary([yname, xname, title, alpha])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
赤池信息量准则
贝叶斯信息准则
参数估计的标准误差。
基于covjac的参数估计的标准差
基于covHJH的参数估计的标准差
基于对数似然函数的雅可比矩阵外积的参数协方差
基于HJJH的参数协方差
模型 WC
缓存的似然对数的Hessian矩阵
模型对数似然
参数t统计量的双尾p值。
对数似然函数的缓存雅可比矩阵
返回给定参数估计的t统计量。
指示在推理中使用学生分布的标志。