pysal.model.spreg.GM_Combo_Hom_Regimes(y, x, regimes, yend=None, q=None, w=None, w_lags=1, lag_q=True, cores=False, max_iter=1, epsilon=1e-05, A1='het', constant_regi='many', cols2regi='all', regime_err_sep=False, regime_lag_sep=False, vm=False, name_y=None, name_x=None, name_yend=None, name_q=None, name_w=None, name_ds=None, name_regimes=None)[源代码]¶基于Drukker等人的空间滞后和误差模型的GMM方法，具有同构性、状态和内生变量、结果和诊断。（2013年）【Drukker2013年】uu，继Anselin（2011年）【Anselin2011年】u之后。
| 参数: |
|
|---|
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（）打开有关NCOVR美国县凶杀案（3085个地区）的数据。这是与nat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("NAT.dbf"),'r')
从dbf文件中提取hr90列（1990年的凶杀率），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_var = 'HR90'
>>> y = np.array([db.by_col(y_var)]).reshape(3085,1)
从DBF中提取UE90（失业率）和PS90（人口结构）向量，作为回归中的独立变量。其他变量可以通过将其名称添加到x_var来插入，例如x_var=['var1'，'var2'，'..]请注意，pysal要求它是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_var = ['PS90','UE90']
>>> x = np.array([db.by_col(name) for name in x_var]).T
根据南部和北部假人（南部），给出了该数据中的不同状态。
>>> r_var = 'SOUTH'
>>> regimes = db.by_col(r_var)
由于我们想要运行一个空间组合模型，所以我们需要指定包含观测的空间配置的空间权重矩阵。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 NAT.shp .
>>> w = pysal.lib.weights.Rook.from_shapefile(pysal.lib.examples.get_path("NAT.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'
我们都准备好了预赛，我们很好地运行模型。在这种情况下，我们需要变量和权重矩阵。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。
只有空间滞后的例子
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。我们可以通过键入：model.summary来获得输出摘要，或者，我们可以检查betas：
>>> reg = GM_Combo_Hom_Regimes(y, x, regimes, w=w, A1='hom_sc', name_y=y_var, name_x=x_var, name_regimes=r_var, name_ds='NAT')
>>> print reg.name_z
['0_CONSTANT', '0_PS90', '0_UE90', '1_CONSTANT', '1_PS90', '1_UE90', '_Global_W_HR90', 'lambda']
>>> print np.around(reg.betas,4)
[[ 1.4607]
[ 0.9579]
[ 0.5658]
[ 9.1129]
[ 1.1339]
[ 0.6517]
[-0.4583]
[ 0.6634]]
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。在这种情况下，我们将RD90（资源剥夺）视为一个内生回归量。我们使用fp89（贫困以下的家庭）来解决这一问题，因此将其放入仪器参数“q”。
>>> yd_var = ['RD90']
>>> yd = np.array([db.by_col(name) for name in yd_var]).T
>>> q_var = ['FP89']
>>> q = np.array([db.by_col(name) for name in q_var]).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_Hom_Regimes(y, x, regimes, yd, q, w=w, A1='hom_sc', name_y=y_var, name_x=x_var, name_yend=yd_var, name_q=q_var, name_regimes=r_var, name_ds='NAT')
>>> print reg.name_z
['0_CONSTANT', '0_PS90', '0_UE90', '1_CONSTANT', '1_PS90', '1_UE90', '0_RD90', '1_RD90', '_Global_W_HR90', 'lambda']
>>> print reg.betas
[[ 3.4196478 ]
[ 1.04065595]
[ 0.16630304]
[ 8.86570777]
[ 1.85134286]
[-0.24921597]
[ 2.43007651]
[ 3.61656899]
[ 0.03315061]
[ 0.22636055]]
>>> print np.sqrt(reg.vm.diagonal())
[ 0.53989913 0.13506086 0.06143434 0.77049956 0.18089997 0.07246848
0.29218837 0.25378655 0.06184801 0.06323236]
>>> print 'lambda: ', np.around(reg.betas[-1], 4)
lambda: [ 0.2264]
| 属性: |
|
|---|
__init__(y, x, regimes, yend=None, q=None, w=None, w_lags=1, lag_q=True, cores=False, max_iter=1, epsilon=1e-05, A1='het', constant_regi='many', cols2regi='all', regime_err_sep=False, regime_lag_sep=False, vm=False, name_y=None, name_x=None, name_yend=None, name_q=None, name_w=None, name_ds=None, name_regimes=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，状态[，是，Q，W，…]） |
初始化自身。 |
属性
mean_y |
|
std_y |