pysal.model.spreg.GM_Endog_Error¶

class pysal.model.spreg.GM_Endog_Error(y, x, yend, q, w, 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】【uuux】的带有内生变量的空间误差模型的GMM方法，并给出结果和诊断。

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） 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 pysal.lib
>>> import numpy as np

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。

>>> dbf = 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([dbf.by_col('CRIME')]).T

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 = np.array([dbf.by_col('INC')]).T

在这种情况下，我们认为hoval（home value）是一个内生回归量。我们告诉模型，这是通过传递一个不同于外生变量（x）的参数来实现的。

>>> yend = np.array([dbf.by_col('HOVAL')]).T

因为我们有内生变量，为了获得模型的正确估计，我们需要对hoval进行检测。为此，我们使用discbd（到cbd的距离），并将其放入仪器参数“q”。

>>> q = np.array([dbf.by_col('DISCBD')]).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，我们将使用 columbus.gal ，其中包含我们在整个示例中使用的Columbus数据集中的观测值之间的连续关系。注意，为了读取文件，不仅要打开它，还需要在命令末尾附加“.read（）”。

>>> w = pysal.lib.io.open(pysal.lib.examples.get_path("columbus.gal"), 'r').read() 

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'

我们都准备好了初步设计，我们很好地运行模型。在这种情况下，我们需要变量（外生和内生）、工具和权重矩阵。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。

>>> model = GM_Endog_Error(y, x, yend, q, w=w, name_x=['inc'], name_y='crime', name_yend=['hoval'], name_q=['discbd'], 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，这种回归使用了一种两阶段最小二乘估计方法，该方法解释了所包含的内生变量所产生的内生性。

>>> print model.name_z
['CONSTANT', 'inc', 'hoval', 'lambda']
>>> np.around(model.betas, decimals=4)
array([[ 82.573 ],
       [  0.581 ],
       [ -1.4481],
       [  0.3499]])
>>> np.around(model.std_err, decimals=4)
array([ 16.1381,   1.3545,   0.7862])

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 predy : 数组 nx1预测Y值数组 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） sig2 : 浮动 计算中使用的sigma平方 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, q, w, 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[、VM、Name、Y、…]）

初始化自身。

属性

mean_y
std_y