pysal.model.spreg.OLS_Regimes¶

class pysal.model.spreg.OLS_Regimes(y, x, regimes, w=None, robust=None, gwk=None, sig2n_k=True, nonspat_diag=True, spat_diag=False, moran=False, white_test=False, vm=False, constant_regi='many', cols2regi='all', regime_err_sep=True, cores=False, name_y=None, name_x=None, name_regimes=None, name_w=None, name_gwk=None, name_ds=None)[源代码]¶

带结果和诊断的普通最小二乘法。

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（运行空间诊断时需要） robust : 一串 如果“白色”，则给出方差协方差矩阵的白色一致估计。如果“hac”，则给出方差协方差矩阵的hac一致估计。默认设置为无。 gwk : Pysal W对象 HAC估计所需的内核空间权重。注：矩阵必须沿着主对角线。 sig2n_k : 布尔 如果为真，则使用n-k估计Sigma^2。如果为假，则使用n。 nonspat_diag : 布尔 如果为真，则计算回归的非空间诊断。 spat_diag : 布尔 如果为真，则计算拉格朗日乘数测试（需要w）。注：更多测试见Moran。 moran : 布尔 如果是真的，就用残差来计算莫兰的i。注意：需要spat_diag=true。 white_test : 布尔 如果为真，则计算White的规范健壮性测试。（要求nonspat_diag=true） vm : 布尔 如果为真，则在汇总结果中包含方差-协方差矩阵 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。 regime_err_sep : 布尔 如果为真，则为每个政权运行单独的回归。 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_gwk : 一串 用于输出的内核权重矩阵的名称 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

>>> 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 = db.by_col(y_var)
>>> y = np.array(y).reshape(len(y), 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)

现在我们可以运行回归，然后通过键入：olsr.summary得到输出的摘要。或者，我们可以检查参数的betas和标准错误：

>>> olsr = OLS_Regimes(y, x, regimes, nonspat_diag=False, name_y=y_var, name_x=['PS90','UE90'], name_regimes=r_var, name_ds='NAT')
>>> olsr.betas
array([[ 0.39642899],
       [ 0.65583299],
       [ 0.48703937],
       [ 5.59835   ],
       [ 1.16210453],
       [ 0.53163886]])
>>> np.sqrt(olsr.vm.diagonal())
array([ 0.24816345,  0.09662678,  0.03628629,  0.46894564,  0.21667395,
        0.05945651])
>>> olsr.cols2regi
'all'

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 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”）。 robust : 一串 当进行多次回归时，仅在字典“multi”中提供对稳健标准错误的调整（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 vm : 数组 方差协方差矩阵（kxk） r2 : 浮动 R平方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”）。 ar2 : 浮动 调整后的r平方仅在多重回归时在字典“multi”中可用（有关详细信息，请参阅下面的“multi”）。 utu : 浮动 残差平方和 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”）。 sig2ML : 浮动 sigma平方（最大似然）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”）。 f_stat : 元组 统计（float），p值（float）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”）。 logll : 浮动 当进行多次回归时，日志可能性仅在字典“multi”中可用（有关详细信息，请参阅下面的“multi”）。 aic : 浮动 Akaike信息标准仅在多重回归时在字典“multi”中可用（有关详细信息，请参阅下面的“multi”）。 schwarz : 浮动 Schwarz信息标准仅在多重回归时在字典“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'） t_stat : 元组列表 t 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”）。 mulColli : 浮动 多重共线性条件号仅在多重回归时在字典“multi”中可用（有关详细信息，请参阅下面的“multi”）。 jarque_bera : 词典 'jb'：jarque bera statistic（float）；'pValue'：p-value（float）；'df'：自由度（int），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'） breusch_pagan : 词典 “bp”：breusch pagan statistic（float）；“pValue”：p-value（float）；“df”：自由度（int）仅在多重回归时在字典“multi”中可用（有关详细信息，请参见下面的“multi”）。 koenker_bassett : 词典 'kb'：Koenker-Bassett statistic（float）；'pValue'：p-value（float）；'df'：自由度（int），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'） white : 词典 “wh”：白色统计（float）；“pValue”：p值（float）；“df”：自由度（int）仅在多重回归时在字典“multi”中可用（有关详细信息，请参见下面的“multi”）。 lm_error : 元组 空间误差模型的拉格朗日乘子检验；元组包含一对（统计，p值），其中每个都是一个浮点 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”）。 lm_lag : 元组 空间滞后模型的拉格朗日乘子检验；元组包含一对（统计，p值），其中每个都是一个浮点 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”）。 rlm_error : 元组 空间误差模型的鲁棒拉格朗日乘子检验；元组包含一对（统计，p值），其中每个都是一个浮点 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”）。 rlm_lag : 元组 空间滞后模型的鲁棒拉格朗日乘子检验；元组包含一对（统计，p值），其中每个都是一个浮点 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”）。 lm_sarma : 元组 空间sarma模型的拉格朗日乘子检验；元组包含一对（统计，p值），其中每个都是一个浮点 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”）。 moran_res : 元组 残差的莫兰i；包含三重的元组（莫兰i，标准化的莫兰i，p值） 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_gwk : 一串 用于输出的内核权重矩阵的名称 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 所用回归方法的名称 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”）。 sig2n : 浮动 sigma平方（用分母中的n计算） sig2n_k : 浮动 sigma平方（用分母中的n-k计算） xtx : 浮动 x'x仅在多重回归时在字典'multi'中可用（有关详细信息，请参阅下面的'multi'） xtxi : 浮动 （x'x）^-1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'） 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=None, robust=None, gwk=None, sig2n_k=True, nonspat_diag=True, spat_diag=False, moran=False, white_test=False, vm=False, constant_regi='many', cols2regi='all', regime_err_sep=True, cores=False, name_y=None, name_x=None, name_regimes=None, name_w=None, name_gwk=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，状态[，W，健壮，GWK，…]）

初始化自身。

属性

mean_y
sig2n
sig2n_k
std_y
utu
vm