statsmodels.tsa.ardl.UECM¶

class statsmodels.tsa.ardl.UECM(endog, lags, exog=None, order=0, trend='c', *, fixed=None, causal=False, seasonal=False, deterministic=None, hold_back=None, period=None, missing='none')[source]¶

无约束误差相关模型(UECM)

Parameters:¶

endogarray_like

一个一维的内生响应变量。因变量。

lags{int, list[int]}

模型中要包含的内生变量的滞后阶数。必须至少为1。

exogarray_like

模型中要包含的外生变量。可以是DataFrame或可以转换为NumPy数组的二维类数组结构。

order{int, sequence[int], dict}

如果是整数，则对所有外生变量使用滞后0, 1, …, order。如果是字典，则按序列应用滞后。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。

fixedarray_like

额外的固定回归变量，这些变量不是滞后的。

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’。

Attributes:¶

ar_lags: 模型中包含的自回归滞后项
ardl_order: ARDL(p,q)的顺序
causal: 指示ARDL具有因果关系的标志
deterministic: 用于构建模型的确定性方法
df_model: 模型的自由度。
dl_lags: 模型中包含的外生变量的滞后
endog_names: 内生变量的名称。
exog_names: 模型中包含的外生变量名称
fixed: 用于构建模型的固定数据
hold_back: 初始观测值的数量。
period: 季节性成分的周期。
seasonal: 指示模型包含季节性成分的标志。
trend: 模型中使用的趋势。

另请参阅

statsmodels.tsa.ardl.ARDL: 自回归分布滞后模型估计
statsmodels.tsa.ar_model.AutoReg: 具有可选外生回归变量的自回归模型估计
statsmodels.tsa.statespace.sarimax.SARIMAX: 带有可选外生回归变量的季节性ARIMA模型估计
statsmodels.tsa.arima.model.ARIMA: ARIMA模型估计

注释

UECM的完整规范是

\[\Delta Y_t = \delta_0 + \delta_1 t + \delta_2 t^2 + \sum_{i=1}^{s-1} \gamma_i I_{[(\mod(t,s) + 1) = i]} + \lambda_0 Y_{t-1} + \lambda_1 X_{1,t-1} + \ldots + \lambda_{k} X_{k,t-1} + \sum_{j=1}^{p-1} \phi_j \Delta Y_{t-j} + \sum_{l=1}^k \sum_{m=0}^{o_l-1} \beta_{l,m} \Delta X_{l, t-m} + Z_t \lambda + \epsilon_t\]

其中 \(\delta_\bullet\) 捕捉趋势，\(\gamma_\bullet\) 捕捉季节性变化，s 是季节性的周期，p 是内生变量的滞后长度，k 是外生变量的数量 \(X_{l}\)，\(o_l\) 包括 \(X_{l}\) 的滞后长度，\(Z_t\) 是包含的固定回归变量，\(\epsilon_t\) 是白噪声冲击。如果 causal 为 True，则不包括外生变量的第 0 阶滞后，并且求和从 m=1 开始。

示例

>>> from statsmodels.tsa.api import UECM
>>> from statsmodels.datasets import danish_data
>>> data = danish_data.load_pandas().data
>>> lrm = data.lrm
>>> exog = data[["lry", "ibo", "ide"]]

一个基本模型，其中所有变量都包含3个滞后项

>>> UECM(data.lrm, 3, data[["lry", "ibo", "ide"]], 3)

可以使用字典来传递自定义滞后阶数

>>> UECM(data.lrm, [1, 3], exog, {"lry": 1, "ibo": 3, "ide": 2})

设置因果关系会从外生变量中移除第0滞后项

>>> exog_lags = {"lry": 1, "ibo": 3, "ide": 2}
>>> UECM(data.lrm, 3, exog, exog_lags, causal=True)

当使用NumPy数组时，字典键是列索引。

>>> import numpy as np
>>> lrma = np.asarray(lrm)
>>> exoga = np.asarray(exog)
>>> UECM(lrma, 3, exoga, {0: 1, 1: 3, 2: 2})

方法

`fit`(*[, cov_type, cov_kwds, use_t])	估计模型参数。
`from_ardl`(ardl[, missing])	从ARDL模型构建一个UECM
`from_formula`(公式, 数据[, 滞后阶数, 阶数, ...])	从公式构建一个UECM
`hessian`(params)	模型的海森矩阵。
`information`(params)	模型的费舍尔信息矩阵。
`initialize`()	初始化模型（无操作）。
`loglike`(params)	模型的对数似然值。
`predict`(params[, start, end, dynamic, exog, ...])	样本内预测和样本外预测。
`score`(params)	模型的得分向量。

属性

`ar_lags`	模型中包含的自回归滞后项
`ardl_order`	ARDL(p,q)的顺序
`causal`	指示ARDL具有因果关系的标志
`deterministic`	用于构建模型的确定性方法
`df_model`	模型的自由度。
`dl_lags`	模型中包含的外生变量的滞后
`endog_names`	内生变量的名称。
`exog_names`	模型中包含的外生变量名称
`fixed`	用于构建模型的固定数据
`hold_back`	初始观测值的数量。
`period`	季节性成分的周期。
`seasonal`	指示模型包含季节性成分的标志。
`trend`	模型中使用的趋势。

Last update: Oct 16, 2024