pysal.model.spreg.ML_Error¶

class pysal.model.spreg.ML_Error(y, x, w, method='full', epsilon=1e-07, spat_diag=False, vm=False, name_y=None, name_x=None, name_w=None, name_ds=None)[源代码]¶

所有结果和诊断的空间滞后模型的ML估计；Anselin（1988年）【Anselin1988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 : 稀疏矩阵 空间权重稀疏矩阵 method : 一串 如果“满”，强力计算（全矩阵表达式）如果“ORD”，ORD特征值方法如果“LU”，LU稀疏矩阵分解 ε : 浮动 拟素标量函数与逆积的公差准则 spat_diag : 布尔 如果为真，则包括空间诊断（尚未实现） 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

>>> import numpy as np
>>> import pysal.lib
>>> from pysal.lib import examples
>>> np.set_printoptions(suppress=True) #prevent scientific format
>>> db = pysal.lib.io.open(examples.get_path("south.dbf"),'r')
>>> y_name = "HR90"
>>> y = np.array(db.by_col(y_name))
>>> y.shape = (len(y),1)
>>> x_names = ["RD90","PS90","UE90","DV90"]
>>> x = np.array([db.by_col(var) for var in x_names]).T
>>> ww = pysal.lib.io.open(pysal.lib.examples.get_path("south_q.gal"))
>>> w = ww.read()
>>> ww.close()
>>> w_name = "south_q.gal"
>>> w.transform = 'r'
>>> mlerr = ML_Error(y,x,w,name_y=y_name,name_x=x_names,               name_w=w_name,name_ds=ds_name) #doctest: +SKIP
>>> np.around(mlerr.betas, decimals=4) #doctest: +SKIP
array([[ 6.1492],
       [ 4.4024],
       [ 1.7784],
       [-0.3781],
       [ 0.4858],
       [ 0.2991]])
>>> "{0:.4f}".format(mlerr.lam) #doctest: +SKIP
'0.2991'
>>> "{0:.4f}".format(mlerr.mean_y) #doctest: +SKIP
'9.5493'
>>> "{0:.4f}".format(mlerr.std_y) #doctest: +SKIP
'7.0389'
>>> np.around(np.diag(mlerr.vm), decimals=4) #doctest: +SKIP
array([ 1.0648,  0.0555,  0.0454,  0.0061,  0.0148,  0.0014])
>>> np.around(mlerr.sig2, decimals=4) #doctest: +SKIP
array([[ 32.4069]])
>>> "{0:.4f}".format(mlerr.logll) #doctest: +SKIP
'-4471.4071'
>>> "{0:.4f}".format(mlerr.aic) #doctest: +SKIP
'8952.8141'
>>> "{0:.4f}".format(mlerr.schwarz) #doctest: +SKIP
'8979.0779'
>>> "{0:.4f}".format(mlerr.pr2) #doctest: +SKIP
'0.3058'
>>> "{0:.4f}".format(mlerr.utu) #doctest: +SKIP
'48534.9148'
>>> np.around(mlerr.std_err, decimals=4) #doctest: +SKIP
array([ 1.0319,  0.2355,  0.2132,  0.0784,  0.1217,  0.0378])
>>> np.around(mlerr.z_stat, decimals=4) #doctest: +SKIP
array([[  5.9593,   0.    ],
       [ 18.6902,   0.    ],
       [  8.3422,   0.    ],
       [ -4.8233,   0.    ],
       [  3.9913,   0.0001],
       [  7.9089,   0.    ]])
>>> mlerr.name_y #doctest: +SKIP
'HR90'
>>> mlerr.name_x #doctest: +SKIP
['CONSTANT', 'RD90', 'PS90', 'UE90', 'DV90', 'lambda']
>>> mlerr.name_w #doctest: +SKIP
'south_q.gal'
>>> mlerr.name_ds #doctest: +SKIP
'south.dbf'
>>> mlerr.title #doctest: +SKIP
'MAXIMUM LIKELIHOOD SPATIAL ERROR (METHOD = FULL)'

属性:

betas : 数组 （k+1）x1估计系数数组（rho-first） lam : 浮动 空间自回归系数的估计 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，不包括lambda） 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 method : 一串 Log Jacobian方法if“full”：蛮力（全矩阵计算） ε : 浮动 极小标量函数与逆积的公差准则 mean_y : 浮动 因变量均值 std_y : 浮动 因变量标准差 varb : 数组 方差协方差矩阵（k+1 x k+1）-包括var（lambda） vm1 : 数组 lambda的方差协方差矩阵，sigma（2 x 2） sig2 : 浮动 计算中使用的sigma平方 logll : 浮动 最大对数似然（包括常数项） pr2 : 浮动 伪r平方（y和ypred之间的平方相关） utu : 浮动 残差平方和 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

方法

get_x_lag

__init__(y, x, w, method='full', epsilon=1e-07, spat_diag=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[，method，epsilon，…]）	初始化自身。
get_x_lag \（W，政权）

属性

mean_y
sig2n
sig2n_k
std_y
utu
vm