pysal.model.spreg.
GM_Combo_Regimes
(y, x, regimes, yend=None, q=None, w=None, w_lags=1, lag_q=True, cores=False, constant_regi='many', cols2regi='all', regime_err_sep=False, regime_lag_sep=False, vm=False, name_y=None, name_x=None, name_yend=None, name_q=None, name_w=None, name_ds=None, name_regimes=None)[源代码]¶基于Kelejian和Prucha(1998年,1999年)【Kelejian1998年】【Kelejian1999年】uuu的空间滞后和误差模型的GMM方法,包括状态和内生变量、结果和诊断。
参数: |
|
---|
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滞后模型,我们需要指定包含观测空间配置的空间权重矩阵。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'
Combo类运行Sarar模型,即空间滞后+错误模型。在这种情况下,我们将运行一个简单的版本,在那里我们有空间效应和外生变量。因为它是一个空间模型,所以我们必须传递权重矩阵。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。
>>> model = GM_Combo_Regimes(y, x, regimes, w=w, name_y=y_var, name_x=x_var, name_regimes=r_var, name_ds='NAT')
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。请注意,由于我们运行的是1998/99年的经典GMM误差模型,因此空间参数是作为一个点估计获得的,因此尽管您得到了它的一个值(model.betas下的系数有一个值),但您不能对它进行推理(model.se_betas中只有三个值)。此外,这种回归使用了两阶段最小二乘估计方法,该方法解释了因变量空间滞后所产生的内生性。我们可以通过键入:model.summary来获得输出摘要,或者,我们可以检查betas:
>>> print model.name_z
['0_CONSTANT', '0_PS90', '0_UE90', '1_CONSTANT', '1_PS90', '1_UE90', '_Global_W_HR90', 'lambda']
>>> print np.around(model.betas,4)
[[ 1.4607]
[ 0.958 ]
[ 0.5658]
[ 9.113 ]
[ 1.1338]
[ 0.6517]
[-0.4583]
[ 0.6136]]
拉姆达:
>>> print 'lambda: ', np.around(model.betas[-1], 4)
lambda: [ 0.6136]
该类还允许用户运行一个空间滞后+误差模型,该模型具有包括非空间内生回归量的额外特性。这意味着,除了空间滞后和误差之外,我们将方程右侧的一些变量视为内生变量,并对此进行检验。在这种情况下,我们将RD90(资源剥夺)视为一个内生回归量。我们使用fp89(贫困以下的家庭)来解决这一问题,因此将其放入仪器参数“q”。
>>> yd_var = ['RD90']
>>> yd = np.array([db.by_col(name) for name in yd_var]).T
>>> q_var = ['FP89']
>>> q = np.array([db.by_col(name) for name in q_var]).T
然后,我们可以运行和探索与前一个组合类似的模型:
>>> model = GM_Combo_Regimes(y, x, regimes, yd, q, w=w, name_y=y_var, name_x=x_var, name_yend=yd_var, name_q=q_var, name_regimes=r_var, name_ds='NAT')
>>> print model.name_z
['0_CONSTANT', '0_PS90', '0_UE90', '1_CONSTANT', '1_PS90', '1_UE90', '0_RD90', '1_RD90', '_Global_W_HR90', 'lambda']
>>> print model.betas
[[ 3.41963782]
[ 1.04065841]
[ 0.16634393]
[ 8.86544628]
[ 1.85120528]
[-0.24908469]
[ 2.43014046]
[ 3.61645481]
[ 0.03308671]
[ 0.18684992]]
>>> print np.sqrt(model.vm.diagonal())
[ 0.53067577 0.13271426 0.06058025 0.76406411 0.17969783 0.07167421
0.28943121 0.25308326 0.06126529]
>>> print 'lambda: ', np.around(model.betas[-1], 4)
lambda: [ 0.1868]
属性: |
|
---|
__init__
(y, x, regimes, yend=None, q=None, w=None, w_lags=1, lag_q=True, cores=False, constant_regi='many', cols2regi='all', regime_err_sep=False, regime_lag_sep=False, vm=False, name_y=None, name_x=None, name_yend=None, name_q=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[,是,Q,W,…]) |
初始化自身。 |
属性
mean_y |
|
std_y |