pysal.model.spreg.GM_Error

class pysal.model.spreg.GM_Error(y, x, w, vm=False, name_y=None, name_x=None, name_w=None, name_ds=None)[源代码]

空间误差模型的GMM方法，包括结果和诊断；基于Kelejian和Prucha（1998年、1999年）【Kelejian1998年】【Kelejian1999年】。

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

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_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hoval列（主值），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('HOVAL')]).T

从dbf中提取犯罪（crime）和inc（inc）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，这个类向传入的自变量添加一个1的向量。

>>> names_to_extract = ['INC', 'CRIME']
>>> x = np.array([dbf.by_col(name) for name in names_to_extract]).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。除其他外，HIS允许将变量的空间滞后解释为相邻观测的平均值。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_Error(y, x, w=w, name_y='hoval', name_x=['income', 'crime'], 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）。

>>> print model.name_x
['CONSTANT', 'income', 'crime', 'lambda']
>>> np.around(model.betas, decimals=4)
array([[ 47.6946],
       [  0.7105],
       [ -0.5505],
       [  0.3257]])
>>> np.around(model.std_err, decimals=4)
array([ 12.412 ,   0.5044,   0.1785])
>>> np.around(model.z_stat, decimals=6) #doctest: +SKIP
array([[  3.84261100e+00,   1.22000000e-04],
       [  1.40839200e+00,   1.59015000e-01],
       [ -3.08424700e+00,   2.04100000e-03]])
>>> round(model.sig2,4)
198.5596
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

mean_y : 浮动

因变量均值

std_y : 浮动

因变量标准差

pr2 : 浮动

伪r平方（y和ypred之间的平方相关）

vm : 数组

方差协方差矩阵（kxk）

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_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, w, vm=False, name_y=None, name_x=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，w[，vm，nameu y，nameu x，…]） 初始化自身。

属性

mean_y 
std_y