statsmodels.sandbox.regression.gmm.LinearIVGMM¶

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

用于通过GMM估计的线性工具变量模型的类

使用封闭形式的表达式代替每次迭代GMM步骤中的非线性优化器。

假设模型具有以下矩条件

E( z * (y - x beta)) = 0

其中 y 是因变量内生变量，x 是解释变量，z 是工具变量。在 x 中属于外生的变量也需要包含在 z 中。

符号警告：我们的名称exog代表解释变量，并且包括外生变量和内生变量，即包含的内生变量

Parameters:¶

endogarray_like

因变量

exogarray_like

解释性，右侧变量，包括内生解释变量

instrumentarray_like

工具变量，是指在包含内生变量和外生变量的线性模型中，对误差项具有外生性的变量

Attributes:¶

endog_names

内生变量的名称。

exog_names

外生变量的名称。

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估计线性模型的参数
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
fitstart()	创建全零数组
from_formula(formula, data[, subset, drop_cols])	从公式和数据框创建模型。
get_error(params)	获取参数错误
gmmobjective(params, weights)	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(params, **kwds)	矩条件梯度
momcond(参数)	错误次数仪器
momcond_mean(params)	矩条件均值，
predict(params[, exog])	获取参数处的预测
score(参数, 权重, **kwds)	分数
score_cu(参数[, epsilon, centered])	得分
set_param_names(参数名称[, k_params])	在模型中设置参数名称
start_weights([inv])	初始权重

属性

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