statsmodels.sandbox.regression.gmm.IVGMMResults¶

class statsmodels.sandbox.regression.gmm.IVGMMResults(*args, **kwds)[source]¶

IVGMM 的结果类

Attributes:¶

bse

参数估计的标准误差。

bse_

参数估计的标准误差

fittedvalues

拟合值

jval

nobs_moms 由 momcond_mean 附加

llf

模型对数似然

pvalues

参数t统计量的双尾p值。

q

参数处的目标函数

resid

残差

ssr

平方误差之和

tvalues

返回给定参数估计的t统计量。

方法

calc_cov_params(moms, gradmoms[, weights, ...])	计算参数估计的协方差
compare_j(other)	用于比较两个嵌套GMM估计的过度识别检验
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。
f_test(r_matrix[, cov_p, invcov])	计算联合线性假设的F检验。
get_bse(**kwds)	参数估计的标准误差与选项
initialize(model, params, **kwargs)	初始化（可能重新初始化）一个 Results 实例。
jtest()	过度识别检验
load(fname)	加载一个序列化的结果实例
normalized_cov_params()	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。
remove_data()	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

bse	参数估计的标准误差。
bse_	参数估计的标准误差
fittedvalues	拟合值
jval	nobs_moms 由 momcond_mean 附加
llf	模型对数似然
pvalues	参数t统计量的双尾p值。
q	参数处的目标函数
resid	残差
ssr	平方误差之和
tvalues	返回给定参数估计的t统计量。
use_t