pysal.model.spreg.SURerrorML¶

class pysal.model.spreg.SURerrorML(bigy, bigX, w, regimes=None, nonspat_diag=True, spat_diag=False, vm=False, epsilon=1e-07, name_bigy=None, name_bigX=None, name_ds=None, name_w=None, name_regimes=None)[源代码]¶

基于极大似然估计SUR误差的用户类

参数:

bigy : 有因变量向量的字典，一个用于 每个方程 bigX : 解释变量矩阵字典， 每个方程一个 w : 空间权重对象 regimes : 列表；默认值=无 n值列表，并将每个观测值映射到一个区域。假定与“x”对齐。 ε : ML迭代的收敛准则 默认值0.0000001 nonspat_diag : 布尔值；非空间诊断的标志，默认值为真 spat_diag : 布尔值；空间诊断标志，默认值为假 vm : 布尔值；lambda和sigma的渐近方差标志， 默认=假 name_bigy : 每个方程的因变量名称字典 默认值为“无”，但应指定在使用sur-stackxy时完成。 name_bigX : 字典，每个字典都有解释变量的名称 公式默认值=无，但当使用sur-stackxy时应指定。 name_ds : 字符串；数据集的名称 name_w : 字符串；权重文件的名称 name_regimes : 字符串；输出中使用的状态变量的名称

实例

首先导入pysal.lib以加载空间分析工具。

>>> 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（）也可以读取csv格式的数据。

>>> db = pysal.lib.io.open(pysal.lib.examples.get_path("NAT.dbf"),'r')

待估算模型的规格可作为列表提供。每个方程应单独列出。方程1以hr80为因变量，ps80和ue80为外生回归量。对于方程2，hr90是因变量，ps90和ue90是外生回归量。

>>> y_var = ['HR80','HR90']
>>> x_var = [['PS80','UE80'],['PS90','UE90']]
>>> yend_var = [['RD80'],['RD90']]
>>> q_var = [['FP79'],['FP89']]

SUR方法要求将数据作为字典提供。Pysal提供了工具sur_dictxy，从变量列表中创建这些字典。下面的一行将创建四个字典，分别包含因变量（bigy）、回归量（bigx）、因变量名（bigyvars）和回归量名（bigxvars）。所有这些都将从数据库（db）和上面创建的变量列表（y_var和x_var）中创建。

>>> bigy,bigX,bigyvars,bigXvars = pysal.model.spreg.sur_utils.sur_dictxy(db,y_var,x_var)

为了运行一个空间误差模型，我们需要指定空间权重矩阵。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。在这个例子中，我们将从nat.shp创建一个新的，并将其转换为标准化的行。

>>> w = pysal.lib.weights.Queen.from_shapefile(pysal.lib.examples.get_path("NAT.shp"))
>>> w.transform='r'

我们现在可以运行回归，然后通过键入：print（reg.summary）得到输出的摘要。

或者，我们可以检查参数的betas和标准误差、渐近t和p值：

>>> reg = SURerrorML(bigy,bigX,w=w,name_bigy=bigyvars,name_bigX=bigXvars,name_ds="NAT",name_w="nat_queen")
>>> reg.bSUR
{0: array([[ 4.0222855 ],
       [ 0.88489646],
       [ 0.42402853]]), 1: array([[ 3.04923009],
       [ 1.10972634],
       [ 0.47075682]])}

>>> reg.sur_inf
{0: array([[  0.36692181,  10.96224141,   0.        ],
       [  0.14129077,   6.26294579,   0.        ],
       [  0.04267954,   9.93517021,   0.        ]]), 1: array([[  0.33139969,   9.20106497,   0.        ],
       [  0.13352591,   8.31094371,   0.        ],
       [  0.04004097,  11.756878  ,   0.        ]])}

属性:

n : 各断面观测数 n2 : n/2 n_eq : 方程个数 bigy : 有因变量向量的字典，一个用于 每个方程 bigX : 解释变量矩阵字典， 每个方程一个 bigK : n_eq x 1带解释变量数的数组 按方程 bigylag : 空间滞后因变量 bigXlag : 空间滞后解释变量 lamols : 方程空间自回归系数 公式ml误差估计 clikerr : 从方程到方程的集中对数似然 ML误差估计（无常数） bSUR0 : 无空间自相关贝塔的SUR估计 llik : 经典SUR估计的对数可能性（包括常数） lamsur : ml-sur误差中的空间自回归系数 bSUR : β系数（单位：ml-sur-error） varb : ml-sur误差中β系数的方差 sig : ml-sur误差中的误差方差协方差矩阵 bigE : 每个方程的残差向量n×n_方程矩阵 cliksurerr : 来自ml-sur误差的集中对数似然（无常数） sur_inf : 回归系数的推论。误差，t，p errllik : 不带SUR的误差模型的对数可能性（带常数） surerrllik : SUR误差模型的对数可能性（带常数） lrtest : 非对角西格玛元素的似然比检验 likrlambda : 空间自回归系数的似然比检验 vm : lambda和sigma的渐近方差矩阵（仅适用于vm=真） lamsetp : lambda的推论，站着。错误，t，p（仅适用于vm=true） lamtest : 方程间lambda常数检验的元组 （试验值、自由度、p值） joinlam : 关于lambda-across联合显著性的检验 方程式（试验值、自由度、p值） surchow : 回归系数Chow检验的元组列表 每个元组包含测试值、自由度、p值 name_bigy : 每个方程的因变量名称字典 name_bigX : 字典，每个字典都有解释变量的名称 方程式 name_ds : 字符串；数据集的名称 name_w : 字符串；权重文件的名称 name_regimes : 字符串；输出中使用的状态变量的名称

__init__(bigy, bigX, w, regimes=None, nonspat_diag=True, spat_diag=False, vm=False, epsilon=1e-07, name_bigy=None, name_bigX=None, name_ds=None, name_w=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__ \（bigy，bigx，w[，状态，…]）

初始化自身。