statsmodels.tsa.ardl.UECMResults.append¶

UECMResults.append(endog, exog=None, refit=False, fit_kwargs=None)¶

将观测值追加到用于拟合模型的观测值中

使用当前拟合的参数创建一个新的结果对象，其中附加的观测值被追加到用于拟合模型的数据中。然后可以使用新的结果进行分析或预测。

Parameters:¶

endogarray_like

来自建模时间序列过程的新观测值。

exogarray_like, optional

外生回归变量的新观测值（如适用）。

refitbool, optional

是否使用新数据重新拟合参数。默认是 False（因此使用当前结果对象中的参数来创建新的结果对象）。

fit_kwargsdict, optional

传递给 fit 的关键字参数（如果 refit=True）。

Returns:¶

AutoRegResults

更新后的结果对象，包含新数据集的结果。

另请参阅

AutoRegResults.apply

statsmodels.tsa.statespace.mlemodel.MLEResults.append

注释

此方法中的endog和exog参数必须以与传递给原始模型的endog和exog数组相同的格式（例如，Pandas Series与Numpy数组）进行格式化。

此方法的endog参数应包含在endog最后一个元素之后直接发生的新观测值。对于其他类型的数据集，请参阅apply方法。

示例

>>> import pandas as pd
>>> from statsmodels.tsa.ar_model import AutoReg
>>> index = pd.period_range(start='2000', periods=3, freq='Y')
>>> original_observations = pd.Series([1.2, 1.4, 1.8], index=index)
>>> mod = AutoReg(original_observations, lags=1, trend="n")
>>> res = mod.fit()
>>> print(res.params)
y.L1    1.235294
dtype: float64
>>> print(res.fittedvalues)
2001    1.482353
2002    1.729412
Freq: A-DEC, dtype: float64
>>> print(res.forecast(1))
2003    2.223529
Freq: A-DEC, dtype: float64

>>> new_index = pd.period_range(start='2003', periods=3, freq='Y')
>>> new_observations = pd.Series([2.1, 2.4, 2.7], index=new_index)
>>> updated_res = res.append(new_observations)
>>> print(updated_res.params)
y.L1    1.235294
dtype: float64
>>> print(updated_res.fittedvalues)
dtype: float64
2001    1.482353
2002    1.729412
2003    2.223529
2004    2.594118
2005    2.964706
Freq: A-DEC, dtype: float64
>>> print(updated_res.forecast(1))
2006    3.335294
Freq: A-DEC, dtype: float64