pysal.model.spreg.GM_Error_Het¶

class pysal.model.spreg.GM_Error_Het(y, x, w, max_iter=1, epsilon=1e-05, step1c=False, vm=False, name_y=None, name_x=None, name_w=None, name_ds=None)[源代码]¶

具有异方差性的空间误差模型的GMM方法，包括结果和诊断；基于arraiz等人[arraiz2010]uuu，遵循anselin[anselin2011]u。

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 max_iter : 利息 arraiz等人的步骤2a和2b的最大迭代次数。注意：epsilon提供了一个额外的停止条件。 ε : 浮动 为了停止arraiz等人的步骤2a和2b的迭代，所需lambda的最小变化。注：Max-Iter提供了额外的停止条件。 step1c : 布尔 如果为真，则包括arraiz等人的步骤1c。 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 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(db.by_col("HOVAL"))
>>> y = np.reshape(y, (49,1))

从dbf中提取inc（收入）和crime（犯罪）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。

>>> X = []
>>> X.append(db.by_col("INC"))
>>> X.append(db.by_col("CRIME"))
>>> 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。

>>> reg = GM_Error_Het(y, X, w=w, step1c=True, name_y='home value', 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。这个类提供了一个错误模型，它显式地说明了异方差性，并且与来自的模型不同 spreg.error_sp ，允许对空间参数进行推断。

>>> print reg.name_x
['CONSTANT', 'income', 'crime', 'lambda']

因此，我们发现与标准误差相同的β数，我们用方差协方差矩阵对角线的平方根计算：

>>> print np.around(np.hstack((reg.betas,np.sqrt(reg.vm.diagonal()).reshape(4,1))),4)
[[ 47.9963  11.479 ]
 [  0.7105   0.3681]
 [ -0.5588   0.1616]
 [  0.4118   0.168 ]]

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 iter_stop : 一串 在迭代arraiz等人的步骤2a和2b期间达到停止标准。 iteration : 整数 arraiz等人的步骤2a和2b的迭代次数。 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） 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 xtx : 浮动 XX 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, max_iter=1, epsilon=1e-05, step1c=False, 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[，Maxu Iter，Epsilon，…]）

初始化自身。

属性

mean_y
std_y