工具¶

我们的工具集合包含一些为用户提供的便利函数，以及主要为内部使用编写的函数。

除了这个工具目录之外，还有几个其他子包有自己的工具模块，例如 statsmodels.tsa.tsatools

模块参考¶

这些是基础和杂项工具。完整的导入路径是 statsmodels.tools.tools。

`tools.add_constant`(data[, prepend, has_constant])	在数组中添加一列1。

下一组主要是一些辅助函数，这些函数没有单独测试或测试不足。

`numdiff.approx_fprime`(x, f[, epsilon, args, ...])	函数的梯度，如果函数 f 返回一维数组则为雅可比矩阵
`numdiff.approx_fprime_cs`(x, f[, epsilon, ...])	使用复步长导数近似计算梯度或雅可比矩阵
`numdiff.approx_hess1`(x, f[, epsilon, args, ...])	使用有限差分导数近似计算Hessian
`numdiff.approx_hess2`(x, f[, epsilon, args, ...])	使用有限差分导数近似计算Hessian
`numdiff.approx_hess3`(x, f[, epsilon, args, ...])	使用有限差分导数近似计算Hessian
`numdiff.approx_hess_cs`(x, f[, epsilon, ...])	使用复步长导数近似计算Hessian

本模块中的第一组函数是信息准则的独立版本，包括aic、bic和hqic。带有_sigma后缀的函数以误差平方和作为参数，而不带后缀的函数则以对数似然值llf作为参数。

第二组函数是拟合或预测性能的度量，这些函数大多是一行代码，用作辅助函数。所有这些函数都计算两个数组之间差异的性能或距离统计量。例如，在蒙特卡洛或交叉验证的情况下，第一个数组将是不同复制或抽取的估计结果，而第二个数组将是真实或观测值。

`eval_measures.aic`(llf, nobs, df_modelwc)	赤池信息量准则
`eval_measures.aic_sigma`(sigma2, nobs, df_modelwc)	赤池信息量准则
`eval_measures.aicc`(llf, nobs, df_modelwc)	带小样本校正的赤池信息量准则 (AIC)
`eval_measures.aicc_sigma`(sigma2, nobs, ...)	带小样本校正的赤池信息量准则（AIC）
`eval_measures.bic`(llf, nobs, df_modelwc)	贝叶斯信息准则 (BIC) 或施瓦茨准则
`eval_measures.bic_sigma`(sigma2, nobs, df_modelwc)	贝叶斯信息准则 (BIC) 或施瓦茨准则
`eval_measures.hqic`(llf, nobs, df_modelwc)	Hannan-Quinn信息准则 (HQC)
`eval_measures.hqic_sigma`(sigma2, nobs, ...)	Hannan-Quinn信息准则 (HQC)
`eval_measures.bias`(x1, x2[, axis])	偏差, 平均误差
`eval_measures.iqr`(x1, x2[, axis])	误差的四分位距
`eval_measures.maxabs`(x1, x2[, axis])	最大绝对误差
`eval_measures.meanabs`(x1, x2[, axis])	平均绝对误差
`eval_measures.medianabs`(x1, x2[, axis])	中位绝对误差
`eval_measures.medianbias`(x1, x2[, axis])	中位数偏差, 中位数误差
`eval_measures.mse`(x1, x2[, axis])	均方误差
`eval_measures.rmse`(x1, x2[, axis])	均方根误差
`eval_measures.rmspe`(y, y_hat[, axis, zeros])	均方根百分比误差
`eval_measures.stde`(x1, x2[, ddof, axis])	误差的标准差
`eval_measures.vare`(x1, x2[, ddof, axis])	误差方差

Last update: Oct 16, 2024