pysal.model.spreg.GM_Error_Het_Regimes¶

class pysal.model.spreg.GM_Error_Het_Regimes(y, x, regimes, w, max_iter=1, epsilon=1e-05, step1c=False, constant_regi='many', cols2regi='all', regime_err_sep=False, regime_lag_sep=False, cores=False, vm=False, name_y=None, name_x=None, name_w=None, name_ds=None, name_regimes=None)[源代码]¶

基于arraiz等人[arraiz2010]uuu的空间误差模型的GMM方法，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 regimes : 列表 n值列表，并将每个观测值映射到一个区域。假定与“x”对齐。 w : Pysal W对象 空间权重对象 常量_regi:[一'，'多'] 切换器控制恒量项设置。它可以采用以下值： “one”：1的向量附加到x并保持 各政权间的常数 “many”：将一个向量附加到x并考虑 每个制度不同（默认） cols2regi : 列出“全部” 表明x的每一列是否应视为不同的制度或保持不变的论点（错误）。如果一个列表，k布尔值表示每个变量的选项（如果每个区域一个，则为真，如果保持不变，则为假）。如果“全部”（默认），则所有变量都会随状态而变化。 状态u err_sep:Boolean 如果为真，则为每个政权运行单独的回归。 regime_lag_sep : 布尔 总是错误的，保持一致性，被忽略。 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 cores : 布尔 指定是否使用多处理默认值：无多处理，cores=false注意：多处理可能无法在所有平台上工作。 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 name_regimes : 一串 输出中使用的状态变量的名称

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误差模型，我们需要指定空间权重矩阵，其中包括观测的空间配置。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。

>>> reg = GM_Error_Het_Regimes(y, x, regimes, w=w, step1c=True, name_y=y_var, name_x=x_var, name_regimes=r_var, name_ds='NAT.dbf')

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。或者，我们可以通过键入：model.summary来获得输出的摘要。

>>> print reg.name_x
['0_CONSTANT', '0_PS90', '0_UE90', '1_CONSTANT', '1_PS90', '1_UE90', 'lambda']
>>> np.around(reg.betas, decimals=6)
array([[ 0.009121],
       [ 0.812973],
       [ 0.549355],
       [ 5.00279 ],
       [ 1.200929],
       [ 0.614681],
       [ 0.429277]])
>>> np.around(reg.std_err, decimals=6)
array([ 0.355844,  0.221743,  0.059276,  0.686764,  0.35843 ,  0.092788,
        0.02524 ])

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 当进行多次回归时，仅在字典“multi”中提供估算系数（包括常数）的变量数（有关详细信息，请参阅下面的“multi”）。 y : 数组 因变量nx1数组 x : 数组 二维数组，有n行，每个独立（外生）变量有一列，其中常量仅在多重回归时字典“multi”中可用（有关详细信息，请参见下面的“multi”）。 iter_stop : 一串 在迭代arraiz等人的步骤2a和2b期间达到停止标准。只有在多重回归时字典“multi”才可用（有关详细信息，请参阅下面的“multi”）。 iteration : 整数 arraiz等人的步骤2a和2b的迭代次数。只有在多重回归时字典“multi”才可用（有关详细信息，请参阅下面的“multi”）。 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之间的平方相关性）仅在多重回归时字典“multi”中可用（有关详细信息，请参阅下面的“multi”）。 vm : 数组 方差协方差矩阵（kxk） sig2 : 浮动 sigma平方在计算中使用，只有在多重回归时字典“multi”中才可用（有关详细信息，请参阅下面的“multi”）。 std_err : 数组 1XK的betas标准错误数组，仅在多重回归时字典'multi'中可用（有关详细信息，请参阅下面的'multi'） z_stat : 元组列表 z statistic；每个元组都包含一对（statistic，p-value），其中每个元组都是一个浮点，只有在进行多次回归时才能在字典“multi”中使用（有关详细信息，请参见下面的“multi”）。 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 name_regimes : 一串 输出中使用的状态变量的名称 title : 一串 当进行多次回归时，仅在字典“multi”中可用的回归方法的名称（有关详细信息，请参阅下面的“multi”）。 regimes : 列表 n值列表，并将每个观测值映射到一个区域。假定与“x”对齐。 常量_regi:[一'，'多'] 如果状态为假，则忽略。制度不变的选择。切换器控制恒量项设置。它可以采用以下值： “one”：1的向量附加到x并保持 各政权间的常数 “many”：将一个向量附加到x并考虑 不同体制 cols2regi : 列出“全部” 如果状态为假，则忽略。表明x的每一列是否应视为不同的制度或保持不变的论点（错误）。如果一个列表，k布尔值表示每个变量的选项（如果每个区域一个，则为真，如果保持不变，则为假）。如果“全部”，则所有变量都随状态而变化。 regime_err_sep : 布尔 如果为真，则为每个政权运行单独的回归。 kr : 利息 变量/列的数量将被“区域化”或按制度变化。这将导致对每个变量（即每个变量的nr参数）按状态进行一次参数估计。 kf : 利息 变量/列的数量被认为是固定的或全局的，因此只能得到一个参数估计。 nr : 利息 “制度”列表中不同制度的数量 multi : 词典 只有在估计多个回归时才可用，即当状态“err_sep=真”且没有变量跨状态固定时。包含每个回归的所有属性

__init__(y, x, regimes, w, max_iter=1, epsilon=1e-05, step1c=False, constant_regi='many', cols2regi='all', regime_err_sep=False, regime_lag_sep=False, cores=False, vm=False, name_y=None, name_x=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，w[，maxiter，…]）

初始化自身。

属性

mean_y
std_y