statsmodels.regression.process_regression.ProcessMLEResults.wald_test_terms¶
-
ProcessMLEResults.wald_test_terms(skip_single=
False, extra_constraints=None, combine_terms=None, scalar=None)¶ 计算多列上项的Wald检验序列。
这计算了假设所有对应于某个项的系数均为零的联合Wald检验。项由底层公式或通过字符串匹配定义。
- Parameters:¶
- skip_singlebool
如果为真,则仅由单个列组成且因此仅引用单个参数的项将被跳过。如果为假,则包含所有项。
- extra_constraints
ndarray 需要测试的额外约束。请注意,此输入尚未经过测试。
- combine_terms{
list[str],None} 此列表中的每个字符串都与术语的名称或外生变量的名称匹配。所有名称包含该字符串的列都将在一个联合测试中组合。
- scalarbool,
optional 指示是否应将Wald检验统计量作为标量浮点数返回的标志。当前行为是返回一个数组。此行为将在0.14版本发布后切换为返回标量浮点数。如需立即获得未来的行为,请将scalar设置为True。如需静默警告并保留传统行为,请将scalar设置为False。
- Returns:¶
WaldTestResults结果实例包含 table,这是一个 pandas DataFrame,包含测试结果:测试统计量、自由度和 p 值。
示例
>>> res_ols = ols("np.log(Days+1) ~ C(Duration, Sum)*C(Weight, Sum)", data).fit() >>> res_ols.wald_test_terms() <class 'statsmodels.stats.contrast.WaldTestResults'> F P>F df constraint df denom Intercept 279.754525 2.37985521351e-22 1 51 C(Duration, Sum) 5.367071 0.0245738436636 1 51 C(Weight, Sum) 12.432445 3.99943118767e-05 2 51 C(Duration, Sum):C(Weight, Sum) 0.176002 0.83912310946 2 51>>> res_poi = Poisson.from_formula("Days ~ C(Weight) * C(Duration)", data).fit(cov_type='HC0') >>> wt = res_poi.wald_test_terms(skip_single=False, combine_terms=['Duration', 'Weight']) >>> print(wt) chi2 P>chi2 df constraint Intercept 15.695625 7.43960374424e-05 1 C(Weight) 16.132616 0.000313940174705 2 C(Duration) 1.009147 0.315107378931 1 C(Weight):C(Duration) 0.216694 0.897315972824 2 Duration 11.187849 0.010752286833 3 Weight 30.263368 4.32586407145e-06 4
Last update:
Oct 16, 2024