statsmodels.tsa.ar_model.AutoRegResults¶

class statsmodels.tsa.ar_model.AutoRegResults(model, params, cov_params, normalized_cov_params=None, scale=1.0, use_t=False, summary_text='')[source]¶

用于保存从拟合AutoReg模型中获得的结果的类。

Parameters:¶

modelAutoReg

引用已拟合的模型。

paramsndarray

AR模型的拟合参数。

cov_paramsndarray

模型参数的估计协方差矩阵。

normalized_cov_paramsndarray

数组 inv(dot(x.T,x))，其中 x 包含模型中的回归变量。

scalefloat, optional

模型规模的估计。

use_tbool, optional

是否在拟合中设置了 use_t

summary_textstr, optional

附加到结果摘要的其他文本

Attributes:¶

aic

使用Lutkepohl定义的赤池信息准则。

\(-2 llf + \ln(nobs) (1 + df_{model})\)

aicc

小样本校正的赤池信息准则

\(2.0 * df_{model} * nobs / (nobs - df_{model} - 1.0)\)

ar_lags

模型中包含的自回归滞后项

arfreq

返回AR根的频率。

这是解，x，对于 z = abs(z)*exp(2j*np.pi*x)，其中 z 是根。

bic

贝叶斯信息准则

\(-2 llf + \ln(nobs) (1 + df_{model})\)

bse

估计参数的标准误差。

如果方法是‘cmle’，则返回的标准误差是系数的OLS标准误差。如果方法是‘mle’，则它们是使用数值Hessian计算的。

df_model

模型消耗的自由度。

df_resid

残差中的剩余自由度。

fittedvalues

拟合AR模型的样本内预测值。

如果模型通过mle拟合，则通过卡尔曼滤波器计算k_ar的初始值。

fpe

使用Lütkepohl的定义的最终预测误差。

\(((nobs+df_{model})/(nobs-df_{model})) \sigma^2\)

hqic

使用Lutkepohl定义的Hannan-Quinn信息准则。

\(-2 llf + 2 \ln(\ln(nobs)) (1 + df_{model})\)

llf

模型对数似然

nobs

调整滞后损失后的观测数量。

params

估计的参数。

pvalues

参数t统计量的双尾p值。

resid

模型的残差。

roots

AR过程的根。

根是方程的解 (1 - arparams[0]*z - arparams[1]*z**2 -…- arparams[p-1]*z**k_ar) = 0. 稳定性要求模数中的根位于单位圆之外。

tvalues

返回给定参数估计的t统计量。

use_t

指示在推理中使用学生分布的标志。

方法

append(endog[, exog, refit, fit_kwargs])	将观测值追加到用于拟合模型的观测值中
apply(endog[, exog, refit, fit_kwargs])	将拟合的参数应用于与原始数据无关的新数据
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。
diagnostic_summary()	返回包含标准模型诊断测试的摘要
f_test(r_matrix[, cov_p, invcov])	计算联合线性假设的F检验。
forecast([steps, exog])	样本外预测
get_prediction([start, end, dynamic, exog, ...])	预测和预测区间
initialize(model, params, **kwargs)	初始化（可能重新初始化）一个 Results 实例。
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
plot_diagnostics([lags, fig, figsize])	标准化残差的诊断图
plot_predict([start, end, dynamic, exog, ...])	绘制样本内和样本外的预测结果
predict([start, end, dynamic, exog, exog_oos])	样本内预测和样本外预测。
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。
scale()
sigma2()
summary([alpha])	总结模型
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。
test_heteroskedasticity([滞后])	ARCH-LM 检验残差异方差性
test_normality()	标准化残差的正态性检验。
test_serial_correlation([lags, model_df])	Ljung-Box 检验用于残差序列相关性
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

aic	使用Lutkepohl定义的赤池信息准则。
aicc	小样本校正的赤池信息准则
ar_lags	模型中包含的自回归滞后项
arfreq	返回AR根的频率。
bic	贝叶斯信息准则
bse	估计参数的标准误差。
df_model	模型消耗的自由度。
df_resid	残差中的剩余自由度。
fittedvalues	拟合AR模型的样本内预测值。
fpe	使用Lütkepohl定义的最终预测误差。
hqic	使用Lutkepohl定义的Hannan-Quinn信息准则。
llf	模型对数似然
nobs	调整滞后损失后的观测数量。
params	估计的参数。
pvalues	参数t统计量的双尾p值。
resid	模型的残差。
roots	AR过程的根。
tvalues	返回给定参数估计的t统计量。
use_t	指示在推理中使用学生分布的标志。