statsmodels.stats.oaxaca.OaxacaBlinder.two_fold¶

OaxacaBlinder.two_fold(std=False, two_fold_type='pooled', submitted_weight=None, n=None, conf=None)[source]¶

计算两倍或合并的Oaxaca Blinder分解

方法

std: 布尔值, 可选	如果为真，将计算引导标准误差。
two_fold_type: 字符串, 可选	此方法允许对非歧视性模型进行特定计算。目前有四种不同的类型可供选择：pooled、cotton、reimers、self_submitted。默认情况下使用pooled，如果给定的参数不可行，将运行pooled。pooled - 这种类型假设池化模型的参数（普通回归）是非歧视性模型。这包括指示变量。这通常是最好的选择。如果你有经济上的理由使用其他类型，那么可以使用其他类型。nuemark - 这与pooled类型类似，但回归不包括指示变量。cotton - 这种类型使用Cotton（1988）中的调整方法，该方法考虑了一个群体的低估导致另一个群体的高估。它使用样本大小权重对两个模型参数进行线性组合。reimers - 这种类型使用两个模型的线性组合，两个参数各占非歧视性模型的50%。self_submitted - 这允许用户提交自己的权重。请确保只提交较大均值组的权重。这应该在submitted_weights变量中提交。
submitted_weight: 整数/浮点数, 仅在self_submitted时需要,	这是较大均值的提交权重。如果较大均值的权重是p，那么另一个均值的权重是1-p。只需提交第一个值。
n: 整数, 可选	计算自举标准误差所需的迭代次数。默认为5000。
conf: 浮点数, 可选	这是用于标准误差计算所需的置信度。默认为0.99，但可以是小于或等于1的任何值。由于极端异常值会扩大方差，因此强烈不建议使用1。

Returns:¶

OaxacaResults

用于双倍分解的结果容器。