- 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)”