statsmodels.sandbox.regression.gmm.NonlinearIVGMM¶

class statsmodels.sandbox.regression.gmm.NonlinearIVGMM(endog, exog, instrument, func, **kwds)[source]¶

用于使用GMM进行非线性工具变量估计的类

假设模型具有以下矩条件

E[ z * (y - f(X, beta)] = 0

其中y是因变量，x是解释变量，z是工具变量。x中属于外生变量的也需要包含在z中。f是一个非线性函数。

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。

instrumentsarray_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

funccallable

用于计算内生变量的均值或条件期望的函数。该函数将以参数和解释变量数组作为右侧变量调用，func(params, exog)

Attributes:¶

endog_names

内生变量的名称。

exog_names

外生变量的名称。

注释

此类使用数值差异来获得目标函数的导数。如果条件均值函数func的雅可比矩阵可用，则可以通过子类化此类并定义方法jac_func来使用它。

待办事项：检查jac_error和jac_func的必需签名

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(开始[, 最大迭代次数, 初始逆权重, ...])	使用更新最优加权矩阵的迭代估计
fitstart()	创建全零数组
from_formula(公式, 数据[, 子集, 删除列])	从公式和数据框创建模型。
get_error(params)	获取参数错误
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(params[, epsilon, centered])	矩条件梯度
jac_error(params, weights[, args, centered, ...])
jac_func(参数, 权重[, 参数, 居中, ...])
momcond(参数)	错误次数仪器
momcond_mean(参数)	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(param_names[, 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