statsmodels.sandbox.sysreg.SUR¶

class statsmodels.sandbox.sysreg.SUR(sys, sigma=None, dfk=None)[source]¶

看似不相关的回归

Parameters:¶

syslist

[内生变量1, 外生变量1, 内生变量2, 外生变量2,…] 它的长度将是2 x M， 其中M是方程组内生变量 = 外生变量的数量。

sigmaarray_like

M x M 数组，其中 sigma[i,j] 是方程 i 和 j 之间的协方差

dfkNone, ‘dfk1’, or ‘dfk2’

默认值为 None。 对于小样本，应指定自由度的修正。 有关更多信息，请参见注释。

Attributes:¶

cholsigmainvndarray

Cholesky分解的转置 pinv_wexog

df_modelndarray

每个方程的模型自由度。p_{m} - 1，其中p是每个方程m的回归变量数量，减去1是为了常数项。

df_residndarray

每个方程的残差自由度。观测值数量减去参数数量。

endogndarray

系统中每个方程的左侧变量。 它是一个 M x nobs 数组，其中 M 是方程的数量。

exogndarray

系统中每个方程的 RHS 变量。 它是一个 nobs x sum(p_{m}) 的数组。即每个 RHS 数组按列堆叠在一起。

historydict

包含模型拟合的历史记录。如果模型是使用 igls = False 进行拟合的，可能不感兴趣。

iterationsint

如果模型是迭代拟合的，直到收敛的迭代次数。

nobsfloat

方程的观测数量。

normalized_cov_paramsndarray

sum(p_{m}) x sum(p_{m}) 数组 \(\left[X^{T}\left(\Sigma^{-1}\otimes\boldsymbol{I}\right)X\right]^{-1}\)

pinv_wexogndarray

伪逆的 wexog

sigmandarray

M x M 交叉方程干扰的协方差矩阵。见注释。

sp_exogCSR sparse matrix

包含一个块对角稀疏矩阵的设计，使得 exog1 … exogM 位于对角线上。

wendogndarray

M * nobs x 1 的因变量数组，通过 cholsigmainv 进行白化处理并堆叠成单列。

wexogndarray

M*nobs x sum(p_{m}) 的白色外生变量数组。

注释

所有单个方程都被假设为表现良好，具有同方差独立同分布误差。这基本上是GLS的扩展，使用稀疏矩阵。

\[\begin{split}\Sigma=\left[\begin{array}{cccc} \sigma_{11} & \sigma_{12} & \cdots & \sigma_{1M}\\ \sigma_{21} & \sigma_{22} & \cdots & \sigma_{2M}\\ \vdots & \vdots & \ddots & \vdots\\ \sigma_{M1} & \sigma_{M2} & \cdots & \sigma_{MM}\end{array}\right]\end{split}\]

参考文献

Zellner（1962年），Greene（2003年）

方法

fit([igls, tol, maxiter])	igls : 布尔值
initialize()
predict(设计)
whiten(X)	SUR 白化方法。