statsmodels.tsa.statespace.news.NewsResults¶

class statsmodels.tsa.statespace.news.NewsResults(news_results, model, updated, previous, impacted_variable=None, tolerance=1e-10, row_labels=None)[source]¶

数据修订和新闻对感兴趣变量估计的影响

Parameters:¶

news_resultsSimpleNamespace instance

来自KalmanSmoother.news的结果。

modelMLEResults

与生成NewsResults的模型相关联的结果对象。

updatedMLEResults

与包含更新数据集的模型相关联的结果对象。

previousMLEResults

与包含先前数据集的模型相关联的结果对象。

impacted_variablestr, list, array, or slice, optional

观测变量的标签或标签切片，指定要在输出中显示的特定受影响变量。受影响的变量描述了受到新闻影响的变量。如果您不知道变量的标签，请检查模型实例的endog_names属性。

tolerancefloat, optional

确定无影响的数值阈值。默认情况下，任何小于1e-10的影响都被认为是零。

row_labelsiterable

修订和新消息影响的行标签（通常是日期）。

Attributes:¶

total_impactspd.DataFrame

更新了来自新闻和数据修订的影响变量的预测，E[y^i | post] - E[y^i | previous]。

update_impactspd.DataFrame

新闻对受影响变量的预测更新， E[y^i | post] - E[y^i | revisions] 其中 y^i 是感兴趣的受影响变量。

revision_impactspd.DataFrame

所有数据修订对受影响变量的预测更新， E[y^i | revisions] - E[y^i | previous]。

newspd.DataFrame

更新数据中意外的组成部分， E[y^u | post] - E[y^u | revisions] 其中 y^u 是更新后的变量。

weightspd.DataFrame

描述新闻对感兴趣变量影响的权重。

revisionspd.DataFrame

当前数据与之前观察到的数据之间的修订，这些修订的详细影响已经计算出来。

revisions_allpd.DataFrame

当前数据与之前观察到的数据之间的修订， y^r_{revised} - y^r_{previous} 其中 y^r 是修订后的变量。

revision_weightspd.DataFrame

描述修订对感兴趣变量的影响的权重， 针对计算了详细影响的修订。

revision_weights_allpd.DataFrame

描述修订对感兴趣变量的影响的权重， 包含一个新的条目，其中包含未计算详细影响的修订的NaN值。

update_forecastspd.DataFrame

基于已更新变量的前一个数据集的预测，E[y^u | 前一个]。

update_realizedpd.DataFrame

与已更新变量相关的实际观测数据，y^u

revisions_details_startint

首次计算详细修订影响的期间的整数索引。

revision_detailed_impactspd.DataFrame

数据修订对受影响变量的预测更新，详细影响，E[y^i | 修订] - E[y^i | 分组修订]。

revision_grouped_impactspd.DataFrame

从数据修订中对受影响变量的预测更新，这些修订被分组在一起，E[y^i | 分组修订] - E[y^i | 之前]。

revised_prevpd.DataFrame

与修订变量相关的前期观测数据，针对计算了详细影响的修订。

revised_prev_allpd.DataFrame

先前观察到的与修订变量相关的数据，y^r_{previous}

revisedpd.DataFrame

目前观察到的与修订变量相关的数据，这些修订的详细影响已经计算出来。

revised_allpd.DataFrame

当前观察到的与修订变量相关的数据，y^r_{revised}

prev_impacted_forecastspd.DataFrame

感兴趣变量的先前预测，E[y^i | 先前]。

post_impacted_forecastspd.DataFrame

在考虑修订和更新后，感兴趣变量的预测，E[y^i | post]。

revisions_ilocpd.DataFrame

数据集中的数据修订的整数位置。

revisions_ixpd.DataFrame

数据集中数据修订的基于标签的位置。

revisions_iloc_detailedpd.DataFrame

数据集中详细影响计算的数据修订的整数位置。

revisions_ix_detailedpd.DataFrame

数据集中数据修订的基于标签的位置，这些位置的详细影响已计算。

updates_ilocpd.DataFrame

更新数据点的整数位置。

updates_ixpd.DataFrame

更新数据点的基于标签的位置。

state_indexarray_like

用于计算影响的州变量索引。

参考文献

[1]

Bańbura, Marta, 和 Michele Modugno. “具有任意缺失数据模式的数据集上的因子模型最大似然估计。” 《应用计量经济学杂志》29, 第1期 (2014): 133-160.

[2]

Bańbura, Marta, Domenico Giannone, 和 Lucrezia Reichlin. “实时预测。” 《牛津经济预测手册》。2011年7月8日。

[3]

Bańbura, Marta, Domenico Giannone, Michele Modugno, 和 Lucrezia Reichlin. “实时数据流的预测与分析。” 在《经济预测手册》第2卷，第195-237页。 Elsevier, 2013.

方法

get_details([include_revisions, include_updates])
get_impacts([groupby, include_revisions, ...])
summary([impact_date, impacted_variable, ...])	创建描述新闻和影响的摘要表
summary_details([source, impact_date, ...])	创建包含详细影响的汇总表；按日期、变量
summary_impacts([impact_date, ...])	创建包含新闻详细影响的摘要表；按日期、变量
summary_news([sparsify])	创建摘要表，显示自上次结果以来的新数据中的新闻
summary_revisions([sparsify])	创建汇总表，显示对之前结果数据的修订

属性

data_revisions	对前一个数据集中存在的数据点的修订
data_updates	更新数据；在前一个数据集中不存在的新条目
details_by_impact	新闻预测修订的详细信息，首先按影响组织
details_by_update	新闻修订预测的详细信息，首先按更新组织
impacted_variable
impacts	新闻和修订对所有日期/感兴趣变量的影响
revision_details_by_impact	修订数据的预测修订详情，按影响组织
revision_details_by_update	修订的预测修订详情，按更新组织
tolerance