statsmodels.regression.递归_ls.递归LS结果.扩展¶

RecursiveLSResults.extend(endog, exog=None, fit_kwargs=None, **kwargs)¶

为扩展原始数据的新数据重新创建结果对象

创建一个新的结果对象，应用于一个新的数据集，该数据集假设直接从模型的原始数据结束处开始。然后可以使用新的结果进行分析或预测。

Parameters:¶

endogarray_like

来自建模时间序列过程的新观测值。

exogarray_like, optional

外生回归变量的新观测值（如适用）。

fit_kwargsdict, optional

传递给 filter 或 smooth 的关键字参数。

**kwargs

关键字参数可用于在创建新模型对象时修改模型规范参数。

Returns:¶

results

更新后的结果对象，仅包含新数据集的结果。

另请参阅

statsmodels.tsa.statespace.mlemodel.MLEResults.append

statsmodels.tsa.statespace.mlemodel.MLEResults.apply

注释

此方法的 endog 参数应包含在模型的原始 endog 数组的最后一个元素之后直接发生的新观测值。对于其他类型的数据集，请参见 apply 方法。

此方法将仅对endog参数提供的新数据应用过滤，这比重新过滤整个数据集要快得多。然而，返回的结果对象将仅包含新数据的结果。要检索新数据和原始数据的结果，请参阅append方法。

示例

>>> index = pd.period_range(start='2000', periods=2, freq='Y')
>>> original_observations = pd.Series([1.2, 1.5], index=index)
>>> mod = sm.tsa.SARIMAX(original_observations)
>>> res = mod.fit()
>>> print(res.params)
ar.L1     0.9756
sigma2    0.0889
dtype: float64
>>> print(res.fittedvalues)
2000    0.0000
2001    1.1707
Freq: A-DEC, dtype: float64
>>> print(res.forecast(1))
2002    1.4634
Freq: A-DEC, dtype: float64

>>> new_index = pd.period_range(start='2002', periods=1, freq='Y')
>>> new_observations = pd.Series([0.9], index=new_index)
>>> updated_res = res.extend(new_observations)
>>> print(updated_res.params)
ar.L1     0.9756
sigma2    0.0889
dtype: float64
>>> print(updated_res.fittedvalues)
2002    1.4634
Freq: A-DEC, dtype: float64
>>> print(updated_res.forecast(1))
2003    0.878
Freq: A-DEC, dtype: float64