statsmodels.tsa.ardl.ardl_select_order¶

statsmodels.tsa.ardl.ardl_select_order(endog, maxlag, exog, maxorder, trend='c', *, fixed=None, causal=False, ic='bic', glob=False, seasonal=False, deterministic=None, hold_back=None, period=None, missing='none')[source]¶

ARDL 阶数选择

Parameters:¶

endogarray_like

一个一维的内生响应变量。因变量。

maxlagint

要考虑的内生变量的最大滞后阶数。

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。

maxorder{int, dict}

如果是整数，则为所有外生变量设置一个共同的最大滞后长度。如果是字典，则设置各个滞后长度。键是列名（如果exog是DataFrame）或列索引（否则）。

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’。

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, …

ic{“aic”, “bic”, “hqic”}

在模型选择中使用的信息准则。

globbool

是否考虑最大模型的所有可能子模型，或者只有在较大阶滞后时才必须包含较小阶滞后。如果True，则考虑的模型数量为2**(maxlag + k * maxorder)，假设maxorder为整数。除非k和maxorder都相对较小，否则这可能会非常大。如果为False，则考虑的模型数量为maxlag*maxorder**k，当k和maxorder较大时，这也可能相当大。

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:¶

ARDLSelectionResults

包含所选模型和所有拟合模型的完整信息准则的结果持有者。