pysal.model.spreg.GM_Combo¶

class pysal.model.spreg.GM_Combo(y, x, yend=None, q=None, w=None, w_lags=1, lag_q=True, vm=False, name_y=None, name_x=None, name_yend=None, name_q=None, name_w=None, name_ds=None)[源代码]¶

基于Kelejian和Prucha（1998年，1999年）【Kelejian1998年】【Kelejian1999年】【uuuu】的带有内生变量的空间滞后和误差模型的GMM方法，以及结果和诊断。

参数:

y : 数组 因变量nx1数组 x : 数组 二维数组，n行，每个独立（外生）变量一列，不包括常量 yend : 数组 二维数组，n行，每个内生变量一列 q : 数组 二维数组，n行，每个外部外部变量一列，用作工具（注意：这不应包含x中的任何变量） w : Pysal W对象 空间权重对象（始终需要） w_lags : 整数 w的阶数作为空间滞后相关变量的工具。例如，w_lags=1，则仪器为wx；如果w_lags=2，则为wx、w wx；依此类推。 lag_q : 布尔 如果为真，则包括附加仪器的空间滞后（q）。 vm : 布尔 如果为真，则在汇总结果中包含方差-协方差矩阵 name_y : 一串 输出中使用的从属变量的名称 name_x : 字符串表 输出中使用的自变量的名称 name_yend : 字符串表 输出中使用的内生变量的名称 name_q : 字符串表 输出用仪器名称 name_w : 一串 输出中使用的权重矩阵的名称 name_ds : 一串 用于输出的数据集名称

实例

我们首先需要导入所需的模块，即numpy来将我们读取的数据转换为 spreg 理解和 pysal 执行所有分析。

>>> import numpy as np
>>> import pysal.lib

使用pysal.lib.io.open（）打开关于哥伦布社区犯罪（49个地区）的数据。这是与Columbus形状文件关联的DBF。注意pysal.lib.io.open（）也以csv格式读取数据；由于实际类需要以numpy数组的形式传入数据，因此用户可以使用任何方法读取其数据。

>>> db = pysal.lib.io.open(pysal.lib.examples.get_path("columbus.dbf"),'r')

从dbf文件中提取crime列（crime rate），并使其成为回归的因变量。请注意，pysal要求这是一个形状（n，1）的numpy数组，而不是其他包接受的（n，1）的常见形状。

>>> y = np.array(db.by_col("CRIME"))
>>> y = np.reshape(y, (49,1))

从dbf中提取inc（收入）向量，作为回归中的独立变量。注意，pysal要求这是一个nxj numpy数组，其中j是独立变量的数量（不包括常量）。默认情况下，该模型向传入的自变量添加一个1的向量。

>>> X = []
>>> X.append(db.by_col("INC"))
>>> X = np.array(X).T

由于我们想要运行一个空间误差模型，我们需要指定空间权重矩阵，该矩阵将观测的空间配置包含到模型的误差分量中。为此，我们可以打开一个已经存在的gal文件或创建一个新的gal文件。在这种情况下，我们将从 columbus.shp .

>>> w = pysal.lib.weights.Rook.from_shapefile(pysal.lib.examples.get_path("columbus.shp"))

除非有充分的理由不这样做，否则必须对权重行进行标准化，以便矩阵的每一行合计为一。除此之外，这允许将变量的空间滞后解释为相邻观测值的平均值。在Pysal中，可以通过以下方式轻松执行：

>>> w.transform = 'r'

Combo类运行Sarar模型，即空间滞后+错误模型。在这种情况下，我们将运行一个简单的版本，在那里我们有空间效应和外生变量。因为它是一个空间模型，所以我们必须传递权重矩阵。如果我们希望在输出摘要中打印变量的名称，那么我们也必须将它们传入，尽管这是可选的。

>>> reg = GM_Combo(y, X, w=w, name_y='crime', name_x=['income'], name_ds='columbus')

一旦我们运行了模型，我们就可以对输出进行一点探索。我们创建的回归对象有许多属性，因此请花点时间来发现它们。请注意，由于我们运行的是1998/99年的经典GMM误差模型，因此空间参数是作为一个点估计获得的，因此尽管您得到了它的一个值（model.betas下的系数有一个值），但您不能对它进行推理（model.se_betas中只有三个值）。此外，这种回归使用了两阶段最小二乘估计方法，该方法解释了因变量空间滞后所产生的内生性。我们可以检查betas：

>>> print reg.name_z
['CONSTANT', 'income', 'W_crime', 'lambda']
>>> print np.around(np.hstack((reg.betas[:-1],np.sqrt(reg.vm.diagonal()).reshape(3,1))),3)
[[ 39.059  11.86 ]
 [ -1.404   0.391]
 [  0.467   0.2  ]]

拉姆达：

>>> print 'lambda: ', np.around(reg.betas[-1], 3)
lambda:  [-0.048]

该类还允许用户运行一个空间滞后+误差模型，该模型具有包括非空间内生回归量的额外特性。这意味着，除了空间滞后和误差之外，我们将方程右侧的一些变量视为内生变量，并对此进行检验。例如，我们将hoval（home value）作为内生值，并将使用discbd（到csb的距离）进行检测。我们首先需要读取变量：

>>> yd = []
>>> yd.append(db.by_col("HOVAL"))
>>> yd = np.array(yd).T
>>> q = []
>>> q.append(db.by_col("DISCBD"))
>>> q = np.array(q).T

然后，我们可以运行和探索与前一个组合类似的模型：

>>> reg = GM_Combo(y, X, yd, q, w=w, name_x=['inc'], name_y='crime', name_yend=['hoval'], name_q=['discbd'], name_ds='columbus')
>>> print reg.name_z
['CONSTANT', 'inc', 'hoval', 'W_crime', 'lambda']
>>> names = np.array(reg.name_z).reshape(5,1)
>>> print np.hstack((names[0:4,:], np.around(np.hstack((reg.betas[:-1], np.sqrt(reg.vm.diagonal()).reshape(4,1))),4)))
[['CONSTANT' '50.0944' '14.3593']
 ['inc' '-0.2552' '0.5667']
 ['hoval' '-0.6885' '0.3029']
 ['W_crime' '0.4375' '0.2314']]

>>> print 'lambda: ', np.around(reg.betas[-1], 3)
lambda:  [ 0.254]

属性:

summary : 一串 回归结果和诊断摘要（注：与print命令一起使用） betas : 数组 Kx1估计系数数组 u : 数组 nx1残差数组 e_filtered : 数组 nx1空间滤波残差数组 e_pred : 数组 nx1残差数组（使用简化形式） predy : 数组 nx1预测Y值数组 predy_e : 数组 nx1预测Y值数组（使用缩减形式） n : 整数 观测次数 k : 整数 估计系数的变量数（包括常数） y : 数组 因变量nx1数组 x : 数组 二维数组，n行，每个独立（外生）变量一列，包括常量 yend : 数组 二维数组，n行，每个内生变量一列 z : 数组 nxx变量数组（x和yend的组合） mean_y : 浮动 因变量均值 std_y : 浮动 因变量标准差 vm : 数组 方差协方差矩阵（kxk） pr2 : 浮动 伪r平方（y和ypred之间的平方相关） pr2_e : 浮动 伪r平方（y与ypred_e之间的平方相关（使用约简形式））。 sig2 : 浮动 计算中使用的sigma平方（基于过滤残差） std_err : 数组 1×k阵列的betas标准误差 z_stat : 元组列表 z statistic；每个元组包含一对（statistic，p-value），其中每个都是一个浮点 name_y : 一串 输出中使用的从属变量的名称 name_x : 字符串表 输出中使用的自变量的名称 name_yend : 字符串表 输出中使用的内生变量的名称 name_z : 字符串表 用于输出的外生变量和内生变量的名称 name_q : 字符串表 外部仪表名称 name_h : 字符串表 输出中使用的所有仪器的名称 name_w : 一串 输出中使用的权重矩阵的名称 name_ds : 一串 用于输出的数据集名称 title : 一串 所用回归方法的名称

__init__(y, x, yend=None, q=None, w=None, w_lags=1, lag_q=True, vm=False, name_y=None, name_x=None, name_yend=None, name_q=None, name_w=None, name_ds=None)[源代码]¶

初始化自身。请参阅帮助（键入（self））以获得准确的签名。

方法

__init__ \（Y、X、Yend、Q、W、W、Lags、Lag、Q、…]）

初始化自身。

属性

mean_y
std_y