- summary : 一串
回归结果和诊断摘要（注：与print命令一起使用）
- betas : 数组
（k+1）x1估计系数数组（lambda last）
- lam : 浮动
空间自回归系数的估计仅在多重回归时字典“multi”中可用（详见下文“multi”）。
- 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
仅当进行多次回归时，字典“multi”中才提供估算系数的变量数（包括常数，不包括rho）（详情请参见下面的“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”）。
- method : 一串
对数雅可比方法if‘full’：蛮力（全矩阵计算）if‘ord’，ord特征值计算if‘lu’，lu稀疏矩阵分解
- 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
- vm : 数组
方差协方差矩阵（k+1 x k+1），所有系数
- vm1 : 数组
lambda，sigma（2 x 2）的方差协方差矩阵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”）。
- 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”）。
- logll : 浮动
最大化的日志可能性（包括常量项）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”）。
- 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”）。
- 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_lag_sep : 布尔
如果为真，空间滞后的空间参数也会根据不同的状态进行计算。如果为“假”（默认），则空间参数为固定交叉区域。
- 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
- 实例
- ________
- 使用pysal打开data baltim.dbf并创建变量矩阵和权重矩阵。
- >>>将numpy导入为np
- >>>导入pysal.lib
- >>>db=pysal.lib.io.open（pysal.lib.examples.get_path（“baltim.dbf”），'r”）。
- >>>ds_name=“baltim.dbf”，
- >>>y_name=“price”，
- >>>Y=np.array（db.by_col（y_name））.t
- >>>Y.shape=（len（y），1）
- >>>X_name=[“nroom”，“age”，“sqft”]
- >>>x=np.array（[db.by_col（var）for var in x_name]）.t
- >>>ww=ps.open（ps.examples.get_path（“baltim_q.gal”））
- >>>w=w w.read（）。
- >>>ww.close（）。
- >>>W_name=“Baltim_q.gal”，
- >>>w.transform='r'，
- 因为在这个例子中，我们有兴趣检查结果是否变化
- 根据制度，我们使用citcou来定义地点是在城市还是
- 城外（县内）：。
- >>>状态=db.by_col（“citcou”）。
- 现在我们可以使用所有参数运行回归：
- >>>mlerr=ml_错误_状态（y，x，状态，w=w，name_y=y_名称，name_x=x_名称，name_w=w_名称，name_ds=ds_名称，name_状态=“citcou”）。
- >>>np.around（mlerr.betas，decimals=4）
- 数组（[-2.3949]，
[4.8738]、[-0.0291]、[0.3328]、[31.7962]、[2.981]、[-0.2371]、[0.8058]、[0.6177]）
- >>>“0:.6f”.格式（mlerr.lam）
- '0.617707'
- >>>“0:.6f”.格式（mlerr.mean_y）
- '44.307180'
- >>>“0:.6f”.格式（mlerr.std_y）
- '23.606077'
- >>>np.around（mlerr.vm1，小数=4）
- 数组（[[0.005，-0.3535]）
[-0.3535，441.3039]）
- >>>np.around（np.diag（mlerr.vm），小数=4）
- 阵列（[58.5055，2.4295，0.0072，0.0639，80.5925，3.161，]
0.012、0.0499、0.005]）
- >>>np.around（mlerr.sig2，小数=4）
- 数组（[[209.6064]]）
- >>>“0:.6f”.格式（mlerr.logll）
- “-870.333106”
- >>>“0:.6f”.格式（mlerr.aic）
- '1756.666212'
- >>>“0:.6f”.格式（mlerr.schwarz）
- '1783.481077'
- >>>mlerr.标题
- “最大似然空间误差-状态（方法=完全）”