statsmodels.sandbox.回归.gmm.GMM¶

class statsmodels.sandbox.regression.gmm.GMM(endog, exog, instrument, k_moms=None, k_params=None, missing='none', **kwds)[source]¶

用于广义矩法估计的类

需要被继承，其中子类定义了矩条件 momcond

Parameters:¶

endogndarray

内生变量，见注释

exogndarray

外生变量数组，参见注释

instrumentndarray

乐器数组，参见注释

nmomsNone or int

矩条件数量，如果为 None，则设置为工具变量的列数。主要用于确定起始参数和起始权重矩阵的形状或大小。

kwdsanything

这主要是如果需要为矩条件的计算存储额外的变量

Attributes:¶

resultsinstance of GMMResults

目前只是一个用于存储参数和协方差参数的类，没有自己的方法

bseproperty

返回基准

注释

GMM 类仅使用矩条件，并不直接使用任何数据。在创建类实例时，endog、exog、instrument 和 kwds 仅用于存储它们以便在矩条件中访问。这些参数中哪些是必需的以及它们如何使用取决于子类的矩条件。

警告：

各种方法的选项尚未完全实现，并且在几种方法中仍然缺失。

待办事项： 目前，即使设置maxiter=0，onestep仍然会生成bse和cov_params的更新估计值。

方法

calc_weightmatrix(moms[, weights_method, ...])	计算 omega 或权重矩阵
fit([start_params, maxiter, inv_weights, ...])	使用GMM估计参数并返回GMMResults
fitgmm(start[, weights, optim_method, ...])	使用GMM估计参数
fitgmm_cu(start[, optim_method, optim_args])	使用连续更新的GMM估计参数
fititer(start[, maxiter, start_invweights, ...])	使用更新最优加权矩阵的迭代估计
from_formula(公式, 数据[, 子集, 删除列])	从公式和数据框创建模型。
gmmobjective(参数, 权重)	GMM最小化的目标函数
gmmobjective_cu(params[, weights_method, wargs])	用于连续更新GMM最小化的目标函数
gradient_momcond(参数[, epsilon, centered])	矩条件梯度
momcond_mean(params)	矩条件均值，
predict(params[, exog])	模型拟合后，predict 返回拟合值。
score(params, weights[, epsilon, centered])	分数
score_cu(参数[, epsilon, centered])	得分
set_param_names(param_names[, k_params])	在模型中设置参数名称
start_weights([inv])	创建用于起始权重的单位矩阵

属性

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