statsmodels.tsa.ardl.UECM.from_formula¶

classmethod UECM.from_formula(formula, data, lags=0, order=0, trend='n', *, causal=False, seasonal=False, deterministic=None, hold_back=None, period=None, missing='none')[source]¶

从公式构建一个UECM

Parameters:¶

formulastr

公式与形式依赖 ~ 独立 | 固定。请参见下面的示例。

dataDataFrame

包含公式中变量的DataFrame。

lagsint

模型中要包含的内生变量的滞后阶数。 必须至少为1。

orderint, dict

如果是整数，则对所有外生变量使用滞后阶数 0, 1, …, order。如果是字典，则按序列应用滞后阶数。如果 exog 不是 DataFrame，则键是 exog 的列索引（例如，0, 1, …）。如果是 DataFrame，则键是列名。

causalbool, optional

是否包含外生变量的滞后0项。如果为True，则仅包含滞后1, 2, …

trend{‘n’, ‘c’, ‘t’, ‘ct’}, optional

模型中包含的趋势：

• ‘n’ - 无趋势。

• ‘c’ - 仅常量。

• ‘t’ - 仅时间趋势。

• ‘ct’ - 常数和时间趋势。

默认值为‘c’。

seasonalbool, optional

指示是否在模型中包含季节性虚拟变量的标志。 如果 seasonal 为 True 且 trend 包含 ‘c’，则从季节性项中排除第一个周期。

deterministicDeterministicProcess, optional

一个确定性过程。如果提供，趋势和季节性将被忽略。如果趋势不是“n”且季节性不是False，则会发出警告。

hold_back{None, int}, optional

初始观测值不包含在估计样本中。如果为None，则hold_back等于模型中的最大滞后值。设置为非零值以生成具有不同滞后长度的可比较模型。例如，要比较具有lags=3和lags=1的模型的拟合度，请设置hold_back=3，以确保两个模型都使用观测值3,…,nobs进行估计。hold_back必须大于或等于模型中的最大滞后值。

period{None, int}, optional

数据的周期。仅在 seasonal 为 True 时使用。如果使用包含已识别频率的 pandas 对象作为 endog，则可以省略此参数。

missing{“none”, “drop”, “raise”}, optional

可用的选项是‘none’、‘drop’和‘raise’。如果选择‘none’，则不进行NaN检查。如果选择‘drop’，则会删除任何包含NaN的观测值。如果选择‘raise’，则会引发错误。默认值是‘none’。

Returns:¶

UECM

UECM 模型实例

示例

使用丹麦数据的简单UECM

>>> from statsmodels.datasets.danish_data import load
>>> from statsmodels.tsa.api import UECM
>>> data = load().data
>>> mod = UECM.from_formula("lrm ~ ibo", data, 2, 2)

固定回归变量可以使用 | 来指定

>>> mod = UECM.from_formula("lrm ~ ibo | ide", data, 2, 2)