statsmodels.regression.rolling.RollingRegressionResults¶
- class statsmodels.regression.rolling.RollingRegressionResults(model, store, k_constant, use_t, cov_type)[source]¶
滚动回归的结果
- Parameters:¶
- model
RollingWLS 模型实例
- store
RollingStore 原始移动窗口结果的容器
- k_constantbool
指示模型包含常量的标志
- use_tbool
指示在计算p值时使用学生t分布的标志。
- cov_type
str 协方差估计器的名称
- model
- Attributes:¶
- aic
赤池信息量准则。
对于带有常数的模型 \(-2llf + 2(df\_model + 1)\)。对于不带常数的模型 \(-2llf + 2(df\_model)\)。
- bic
贝叶斯信息准则。
对于带有常数的模型 \(-2llf + \log(n)(df\_model+1)\). 对于不带常数的模型 \(-2llf + \log(n)(df\_model)\).
- bse
参数估计的标准误差。
- centered_tss
总（加权）平方和，以均值为中心。
cov_type协方差估计器的名称
- df_model
模型的自由度。
自由度定义为回归矩阵的秩减去1，如果包含常数项。
- df_resid
残余自由度。
自由度定义为观测值的数量减去回归矩阵的秩。
- ess
解释的平方和。
如果存在常数项，则使用中心化的总平方和减去残差平方和。如果没有常数项，则使用未中心化的总平方和。
- f_pvalue
F统计量的p值。
- fvalue
完全指定模型的F统计量。
如果使用非稳健协方差，则计算为模型均方误差除以残差均方误差。否则，使用类似于Wald的二次形式计算，该形式测试所有系数（不包括常数项）是否为零。
- k_constant
指示模型是否包含常数的标志
- llf
模型对数似然
- mse_model
模型的均方误差。
解释的平方和除以模型的自由度。
- mse_resid
残差的均方误差。
残差平方和除以残差自由度。
- mse_total
总均方误差。
未中心化的总平方和除以观测值的数量。
- nobs
观测值数量 n。
- params
估计的模型参数
- pvalues
参数t统计量的双尾p值。
- rsquared
模型的R平方值。
这里定义为 1 - ssr/centered_tss（如果模型中包含常数项）和 1 - ssr/uncentered_tss（如果模型中省略常数项）。
- rsquared_adj
调整后的R平方。
这里定义为 1 - (nobs-1)/df_resid * (1-rsquared) 如果包含常数项，并且 1 - nobs/df_resid * (1-rsquared) 如果 不包含常数项。
- ssr
平方（白化）残差的总和。
- tvalues
返回给定参数估计的t统计量。
- uncentered_tss
未中心化的平方和。
内生响应变量的（白化）平方值之和。
- use_t
指示在推理中使用学生分布的标志。
方法
conf_int([alpha, cols])构建拟合参数的置信区间。
估计的参数协方差
info_criteria(crit[, dk_params])load(fname)加载一个序列化的结果实例
plot_recursive_coefficient([variables, ...])绘制给定变量的递归估计系数
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。
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。
总（加权）平方和，以均值为中心。
协方差估计器的名称
模型的自由度。
残余自由度。
解释的平方和。
F统计量的p值。
完全指定模型的F统计量。
指示模型是否包含常数的标志
模型对数似然
模型的均方误差。
残差的均方误差。
总均方误差。
观测值数量 n。
估计的模型参数
参数t统计量的双尾p值。
模型的R平方值。
调整后的R平方。
平方（白化）残差的总和。
返回给定参数估计的t统计量。
未中心化的平方和。
指示在推理中使用学生分布的标志。