pysal.model.spreg.GM_Lag_Regimes¶

class pysal.model.spreg.GM_Lag_Regimes(y, x, regimes, yend=None, q=None, w=None, w_lags=1, lag_q=True, robust=None, gwk=None, sig2n_k=False, spat_diag=False, constant_regi='many', cols2regi='all', regime_lag_sep=False, regime_err_sep=True, cores=False, vm=False, name_y=None, name_x=None, name_yend=None, name_q=None, name_regimes=None, name_w=None, name_gwk=None, name_ds=None)[源代码]¶

空间两阶段最小二乘法（s2sls）与制度；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 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。 yend : 数组 二维数组，n行，每个内生变量一列 q : 数组 二维数组，n行，每个外部外部变量一列，用作仪器（注意：这不应包含x中的任何变量）；不能与h组合使用 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。 w : Pysal W对象 空间权重对象 w_lags : 整数 w的阶数作为空间滞后相关变量的工具。例如，w_lags=1，则仪器为wx；如果w_lags=2，则为wx、w wx；依此类推。 lag_q : 布尔 如果为真，则包括附加仪器的空间滞后（q）。 状态_lag_sep:boolean 如果为真（默认），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false，则空间参数为固定交叉区域。只有当状态为“真”时，选项才有效 状态u err_sep:Boolean 如果为真，则为每个政权运行单独的回归。 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。如果是“ogmm”，则使用最优gmm估计betas和方差协方差矩阵。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。 spat_diag : 布尔 如果为真，则计算Anselin-Kelejian检验 vm : 布尔 如果为真，则在汇总结果中包含方差-协方差矩阵 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_yend : 字符串表 输出中使用的内生变量的名称 name_q : 字符串表 输出用仪器名称 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

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
>>> from pysal.lib import examples

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(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 .

>>> from pysal.lib import weights
>>> w = weights.Rook.from_shapefile(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'

这个类运行一个滞后模型，这意味着在方程的右侧包含因变量的空间滞后。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_Lag_Regimes(y, x, regimes, w=w, regime_lag_sep=False, regime_err_sep=False, name_y=y_var, name_x=x_var, name_regimes=r_var, name_ds='NAT', name_w='NAT.shp')
>>> model.betas
array([[ 1.28897623],
       [ 0.79777722],
       [ 0.56366891],
       [ 8.73327838],
       [ 1.30433406],
       [ 0.62418643],
       [-0.39993716]])

运行模型之后，我们可以通过键入model.summary来获得输出的摘要。或者，我们也可以通过调用以下函数获得系数估计的标准误差：

>>> model.std_err
array([ 0.44682888,  0.14358192,  0.05655124,  1.06044865,  0.20184548,
        0.06118262,  0.12387232])

在上面的例子中，除了空间滞后之外，所有的系数都会根据情况而变化。空间滞后也可能随系统的不同而变化，有效的方法是建立一个独立的空间滞后模型。要运行这些模型，必须将“论证制度”设置为“真：

>>> model=GM_Lag_Regimes(y, x, regimes, w=w, regime_lag_sep=True, name_y=y_var, name_x=x_var, name_regimes=r_var, name_ds='NAT', name_w='NAT.shp')
>>> print np.hstack((np.array(model.name_z).reshape(8,1),model.betas,np.sqrt(model.vm.diagonal().reshape(8,1))))
[['0_CONSTANT' '1.36584769' '0.39854720']
 ['0_PS90' '0.80875730' '0.11324884']
 ['0_UE90' '0.56946813' '0.04625087']
 ['0_W_HR90' '-0.4342438' '0.13350159']
 ['1_CONSTANT' '7.90731073' '1.63601874']
 ['1_PS90' '1.27465703' '0.24709870']
 ['1_UE90' '0.60167693' '0.07993322']
 ['1_W_HR90' '-0.2960338' '0.19934459']]

或者，我们可以键入“model.summary”来查看有组织的结果输出。该类具有足够的灵活性，能够适应空间滞后模型，该模型除因变量的空间滞后外，还包括其他非空间内生回归量。作为一个例子，我们将添加内生变量RD90（资源剥夺），并决定用FP89（贫困以下家庭）作为工具：

>>> 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

我们可以再次运行模型：

>>> model = GM_Lag_Regimes(y, x, regimes, yend=yd, q=q, w=w, regime_lag_sep=False, regime_err_sep=False, name_y=y_var, name_x=x_var, name_yend=yd_var, name_q=q_var, name_regimes=r_var, name_ds='NAT', name_w='NAT.shp')
>>> model.betas
array([[ 3.42195202],
       [ 1.03311878],
       [ 0.14308741],
       [ 8.99740066],
       [ 1.91877758],
       [-0.32084816],
       [ 2.38918212],
       [ 3.67243761],
       [ 0.06959139]])

一旦模型运行，就可以得到系数估计的标准误差。或者，我们可以通过键入：model.summary来获得输出的摘要。

>>> model.std_err
array([ 0.49163311,  0.12237382,  0.05633464,  0.72555909,  0.17250521,
        0.06749131,  0.27370369,  0.25106224,  0.05804213])

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 e_pred : 数组 nx1残差数组（使用简化形式） predy : 数组 nx1预测Y值数组 predy_e : 数组 nx1预测Y值数组（使用缩减形式） 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”）。 kstar : 整数 内生变量的数目。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”）。 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”）。 yend : 数组 二维数组，n行，每个内生变量一列，只有在多重回归时字典“multi”中才可用（详情请参见下面的“multi”）。 q : 数组 二维数组，n行，每个外部外部变量一列，用作工具，只有在多重回归时字典“multi”中才可用（详细信息请参见下面的“multi”）。 z : 数组 nxx变量数组（x和yend的组合）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”）。 h : 数组 nxl仪器阵列（x和q的组合）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”）。 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） 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”）。 pr2_e : 浮动 伪r平方（y和ypred_e之间的平方相关性（使用约简形式））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”）。 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”）。 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”）。 ak_test : 元组 anselin kelejian test；tuple包含一对（statistic，p-value），只有在多重回归时字典'multi'才可用（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_yend : 字符串表 输出中使用的内生变量的名称 name_z : 字符串表 用于输出的外生变量和内生变量的名称 name_q : 字符串表 外部仪表名称 name_h : 字符串表 输出中使用的所有仪器的名称 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 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”）。 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） hth : 浮动 H'H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'） hthi : 浮动 （h'h）^-1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'） varb : 数组 （z'h（h'h）^-1 h'z）^-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'） zthhthi : 数组 z'h（h'h）^-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'） pfora1a2 : 数组 n（zthhthi）'varb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_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。 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

方法

GM_Lag_Regimes_Multi
sp_att_reg

__init__(y, x, regimes, yend=None, q=None, w=None, w_lags=1, lag_q=True, robust=None, gwk=None, sig2n_k=False, spat_diag=False, constant_regi='many', cols2regi='all', regime_lag_sep=False, regime_err_sep=True, cores=False, vm=False, name_y=None, name_x=None, name_yend=None, name_q=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

GM_Lag_Regimes_Multi \（Y、X、W、I、W、REGI、ID）
__init__ \（Y，X，状态[，是，Q，W，…]）	初始化自身。
sp_att_reg \（wu i，regiu id，wy）

属性

mean_y
pfora1a2
sig2n
sig2n_k
std_y
utu
vm