pysal.model.spreg.ML_Lag¶

class pysal.model.spreg.ML_Lag(y, x, w, method='full', epsilon=1e-07, spat_diag=False, vm=False, name_y=None, name_x=None, name_w=None, name_ds=None)[源代码]¶

所有结果和诊断的空间滞后模型的ML估计；Anselin（1988年）【Anselin1988年】_

参数:

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 w : Pysal W对象空间权重对象 method : 一串如果“满”，强力计算（全矩阵表达式）如果“ORD”，ORD特征值法 ε : 浮动拟素标量函数与逆积的公差准则 spat_diag : 布尔如果为真，则包括空间诊断 vm : 布尔如果为真，则在汇总结果中包含方差-协方差矩阵 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
属性:	betas : 数组（k+1）x1估计系数数组（rho-first） rho : 浮动空间自回归系数的估计 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 : 整数估计系数的变量数（包括常数，不包括rho） 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，包括常量 method : 一串 Log Jacobian方法if“full”：蛮力（全矩阵计算） 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 : 数组方差协方差矩阵（k+2 x k+2），包括sig2 sig2 : 浮动计算中使用的sigma平方 logll : 浮动最大对数似然（包括常数项） aic : 浮动阿卡克信息准则 schwarz : 浮动施瓦茨准则 predy_e : 数组还原形式的预测值 e_pred : 数组用简化预测值预测误差 pr2 : 浮动伪r平方（y和ypred之间的平方相关） pr2_e : 浮动伪r平方（y与ypred_e之间的平方相关（使用约简形式））。 utu : 浮动残差平方和 std_err : 数组 1×k阵列的betas标准误差 z_stat : 元组列表 z statistic；每个元组包含一对（statistic，p-value），其中每个都是一个浮点 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 title : 一串所用回归方法的名称实例 ________ >>>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”，“nbath”，“patio”，“firml”，“ac”，“gar”，“age”，“lotsz”，“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'， >>>ml lag=ml_lag（y，x，w，name_y=y_name，name_x=x_name，name_w=w_name，name_ds=ds_name）doctest:+skip >>>np.around（mllag.betas，decimals=4）doctest:+skip 数组（[[4.3675]） [0.7502]、[5.6116]、[7.0497]、[7.7246]、[6.1231]、[4.6375]、[-0.1107]、[0.0679]、[0.0794]、[0.4259]） >>>“0:.6f”.格式（mllag.rho）doctest:+skip '0.425885' >>>“0:.6f”.格式（mllag.mean y）doctest:+skip '44.307180' >>>“0:.6f”.格式（mllag.std_y）doctest:+skip '23.606077' >>>np.around（np.diag（mllag.vm1），decimals=4）doctest:+skip 数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，] 2.8684、0.0026、0.0002、0.0266、0.0032、220.1292]） >>>np.around（np.diag（mllag.vm），decimals=4）doctest:+skip 数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，] 2.8684、0.0026、0.0002、0.0266、0.0032]） >>>“0:.6f”.格式（mllag.sig2）doctest:+skip '151.458698' >>>“0:.6f”.格式（mllag.logll）doctest:+skip “-832.937174” >>>“0:.6f”.格式（mllag.aic）doctest:+skip '1687.874348' >>>“0:.6f”.格式（mllag.schwarz）doctest:+skip '1724.744787' >>>“0:.6f”.格式（mllag.pr2）doctest:+skip '0.727081' >>>“0:.4f”.格式（mllag.pr2 e）doctest:+skip '0.7062' >>>“0:.4f”.格式（mllag.utu）doctest:+skip '31957.7853' >>>np.around（mllag.std_err，decimals=4）doctest:+skip 阵列（[4.8859，1.0593，1.7491，2.7095，2.3811，2.3388，1.6936，] 0.0508、0.0146、0.1631、0.057]） >>>np.around（mllag.z_stat，decimals=4）doctest:+skip 数组（[[0.8939，0.3714]） [0.7082，0.4788]、[3.2083，0.0013]、[2.6018，0.0093]、[3.2442，0.0012]、[2.6181，0.0088]、[2.7382，0.0062]、[-2.178，0.0294]、[4.6487，0.]，[0.4866，0.6266]，[7.4775，0.]） >>>mllag.name_y doctest:+跳过 ‘价格’* >>>mllag.name_x doctest:+跳过 [常量'、'nroom'、'nbath'、'patio'、'firml'、'ac'、'gar'、'age'、'lotsz'、'sqft'、'w_price'] >>>mllag.name_w doctest:+跳过 'baltim_q.gal' >>>mllag.name_ds doctest:+跳过 'baltim.dbf' >>>mllag.title doctest:+跳过 “最大似然空间滞后（方法=完全）” >>>ml lag=ml_lag（y，x，w，method='ord'，name_y=y_name，name_x=x_name，name_w=w_name，name_ds=ds_name）doctest:+skip >>>np.around（mllag.betas，decimals=4）doctest:+skip 数组（[[4.3675]） [0.7502]、[5.6116]、[7.0497]、[7.7246]、[6.1231]、[4.6375]、[-0.1107]、[0.0679]、[0.0794]、[0.4259]） >>>“0:.6f”.格式（mllag.rho）doctest:+skip '0.425885' >>>“0:.6f”.格式（mllag.mean y）doctest:+skip '44.307180' >>>“0:.6f”.格式（mllag.std_y）doctest:+skip '23.606077' >>>np.around（np.diag（mllag.vm1），decimals=4）doctest:+skip 数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，] 2.8684、0.0026、0.0002、0.0266、0.0032、220.1292]） >>>np.around（np.diag（mllag.vm），decimals=4）doctest:+skip 数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，] 2.8684、0.0026、0.0002、0.0266、0.0032]） >>>“0:.6f”.格式（mllag.sig2）doctest:+skip '151.458698' >>>“0:.6f”.格式（mllag.logll）doctest:+skip “-832.937174” >>>“0:.6f”.格式（mllag.aic）doctest:+skip '1687.874348' >>>“0:.6f”.格式（mllag.schwarz）doctest:+skip '1724.744787' >>>“0:.6f”.格式（mllag.pr2）doctest:+skip '0.727081' >>>“0:.6f”.格式（mllag.pr2_e）doctest:+skip '0.706198' >>>“0:.4f”.格式（mllag.utu）doctest:+skip '31957.7853' >>>np.around（mllag.std_err，decimals=4）doctest:+skip 阵列（[4.8859，1.0593，1.7491，2.7095，2.3811，2.3388，1.6936，] 0.0508、0.0146、0.1631、0.057]） >>>np.around（mllag.z_stat，decimals=4）doctest:+skip 数组（[[0.8939，0.3714]） [0.7082，0.4788]、[3.2083，0.0013]、[2.6018，0.0093]、[3.2442，0.0012]、[2.6181，0.0088]、[2.7382，0.0062]、[-2.178，0.0294]、[4.6487，0.]，[0.4866，0.6266]，[7.4775，0.]） >>>mllag.name_y doctest:+跳过 ‘价格’* >>>mllag.name_x doctest:+跳过 [常量'、'nroom'、'nbath'、'patio'、'firml'、'ac'、'gar'、'age'、'lotsz'、'sqft'、'w_price'] >>>mllag.name_w doctest:+跳过 'baltim_q.gal' >>>mllag.name_ds doctest:+跳过 'baltim.dbf' >>>mllag.title doctest:+跳过 'MAXIMUM LIKELIHOOD SPATIAL LAG (METHOD = ORD)'

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
w : Pysal W对象: 空间权重对象
method : 一串: 如果“满”，强力计算（全矩阵表达式）如果“ORD”，ORD特征值法
ε : 浮动: 拟素标量函数与逆积的公差准则
spat_diag : 布尔: 如果为真，则包括空间诊断
vm : 布尔: 如果为真，则在汇总结果中包含方差-协方差矩阵
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

属性:

betas : 数组: （k+1）x1估计系数数组（rho-first）
rho : 浮动: 空间自回归系数的估计
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: 估计系数的变量数（包括常数，不包括rho）
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，包括常量
method : 一串: Log Jacobian方法if“full”：蛮力（全矩阵计算）
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: 方差协方差矩阵（k+2 x k+2），包括sig2
sig2 : 浮动: 计算中使用的sigma平方
logll : 浮动: 最大对数似然（包括常数项）
aic : 浮动: 阿卡克信息准则
schwarz : 浮动: 施瓦茨准则
predy_e : 数组: 还原形式的预测值
e_pred : 数组: 用简化预测值预测误差
pr2 : 浮动: 伪r平方（y和ypred之间的平方相关）
pr2_e : 浮动: 伪r平方（y与ypred_e之间的平方相关（使用约简形式））。
utu : 浮动: 残差平方和
std_err : 数组: 1×k阵列的betas标准误差
z_stat : 元组列表: z statistic；每个元组包含一对（statistic，p-value），其中每个都是一个浮点
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
title : 一串: 所用回归方法的名称
实例
________
>>>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”，“nbath”，“patio”，“firml”，“ac”，“gar”，“age”，“lotsz”，“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'，
>>>ml lag=ml_lag（y，x，w，name_y=y_name，name_x=x_name，name_w=w_name，name_ds=ds_name）doctest:+skip
>>>np.around（mllag.betas，decimals=4）doctest:+skip
数组（[[4.3675]）: [0.7502]、[5.6116]、[7.0497]、[7.7246]、[6.1231]、[4.6375]、[-0.1107]、[0.0679]、[0.0794]、[0.4259]）
>>>“0:.6f”.格式（mllag.rho）doctest:+skip
'0.425885'
>>>“0:.6f”.格式（mllag.mean y）doctest:+skip
'44.307180'
>>>“0:.6f”.格式（mllag.std_y）doctest:+skip
'23.606077'
>>>np.around（np.diag（mllag.vm1），decimals=4）doctest:+skip
数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，]: 2.8684、0.0026、0.0002、0.0266、0.0032、220.1292]）
>>>np.around（np.diag（mllag.vm），decimals=4）doctest:+skip
数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，]: 2.8684、0.0026、0.0002、0.0266、0.0032]）
>>>“0:.6f”.格式（mllag.sig2）doctest:+skip
'151.458698'
>>>“0:.6f”.格式（mllag.logll）doctest:+skip
“-832.937174”
>>>“0:.6f”.格式（mllag.aic）doctest:+skip
'1687.874348'
>>>“0:.6f”.格式（mllag.schwarz）doctest:+skip
'1724.744787'
>>>“0:.6f”.格式（mllag.pr2）doctest:+skip
'0.727081'
>>>“0:.4f”.格式（mllag.pr2 e）doctest:+skip
'0.7062'
>>>“0:.4f”.格式（mllag.utu）doctest:+skip
'31957.7853'
>>>np.around（mllag.std_err，decimals=4）doctest:+skip
阵列（[4.8859，1.0593，1.7491，2.7095，2.3811，2.3388，1.6936，]: 0.0508、0.0146、0.1631、0.057]）
>>>np.around（mllag.z_stat，decimals=4）doctest:+skip
数组（[[0.8939，0.3714]）: [0.7082，0.4788]、[3.2083，0.0013]、[2.6018，0.0093]、[3.2442，0.0012]、[2.6181，0.0088]、[2.7382，0.0062]、[-2.178，0.0294]、[4.6487，0.]，[0.4866，0.6266]，[7.4775，0.]）
>>>mllag.name_y doctest:+跳过
‘价格’*
>>>mllag.name_x doctest:+跳过
[常量'、'nroom'、'nbath'、'patio'、'firml'、'ac'、'gar'、'age'、'lotsz'、'sqft'、'w_price']
>>>mllag.name_w doctest:+跳过
'baltim_q.gal'
>>>mllag.name_ds doctest:+跳过
'baltim.dbf'
>>>mllag.title doctest:+跳过
“最大似然空间滞后（方法=完全）”
>>>ml lag=ml_lag（y，x，w，method='ord'，name_y=y_name，name_x=x_name，name_w=w_name，name_ds=ds_name）doctest:+skip
>>>np.around（mllag.betas，decimals=4）doctest:+skip
数组（[[4.3675]）: [0.7502]、[5.6116]、[7.0497]、[7.7246]、[6.1231]、[4.6375]、[-0.1107]、[0.0679]、[0.0794]、[0.4259]）
>>>“0:.6f”.格式（mllag.rho）doctest:+skip
'0.425885'
>>>“0:.6f”.格式（mllag.mean y）doctest:+skip
'44.307180'
>>>“0:.6f”.格式（mllag.std_y）doctest:+skip
'23.606077'
>>>np.around（np.diag（mllag.vm1），decimals=4）doctest:+skip
数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，]: 2.8684、0.0026、0.0002、0.0266、0.0032、220.1292]）
>>>np.around（np.diag（mllag.vm），decimals=4）doctest:+skip
数组（[23.8716，1.1222，3.0593，7.3416，5.6695，5.4698，]: 2.8684、0.0026、0.0002、0.0266、0.0032]）
>>>“0:.6f”.格式（mllag.sig2）doctest:+skip
'151.458698'
>>>“0:.6f”.格式（mllag.logll）doctest:+skip
“-832.937174”
>>>“0:.6f”.格式（mllag.aic）doctest:+skip
'1687.874348'
>>>“0:.6f”.格式（mllag.schwarz）doctest:+skip
'1724.744787'
>>>“0:.6f”.格式（mllag.pr2）doctest:+skip
'0.727081'
>>>“0:.6f”.格式（mllag.pr2_e）doctest:+skip
'0.706198'
>>>“0:.4f”.格式（mllag.utu）doctest:+skip
'31957.7853'
>>>np.around（mllag.std_err，decimals=4）doctest:+skip
阵列（[4.8859，1.0593，1.7491，2.7095，2.3811，2.3388，1.6936，]: 0.0508、0.0146、0.1631、0.057]）
>>>np.around（mllag.z_stat，decimals=4）doctest:+skip
数组（[[0.8939，0.3714]）: [0.7082，0.4788]、[3.2083，0.0013]、[2.6018，0.0093]、[3.2442，0.0012]、[2.6181，0.0088]、[2.7382，0.0062]、[-2.178，0.0294]、[4.6487，0.]，[0.4866，0.6266]，[7.4775，0.]）
>>>mllag.name_y doctest:+跳过
‘价格’*
>>>mllag.name_x doctest:+跳过
[常量'、'nroom'、'nbath'、'patio'、'firml'、'ac'、'gar'、'age'、'lotsz'、'sqft'、'w_price']
>>>mllag.name_w doctest:+跳过
'baltim_q.gal'
>>>mllag.name_ds doctest:+跳过
'baltim.dbf'
>>>mllag.title doctest:+跳过
'MAXIMUM LIKELIHOOD SPATIAL LAG (METHOD = ORD)'

__init__(y, x, w, method='full', epsilon=1e-07, spat_diag=False, vm=False, name_y=None, name_x=None, name_w=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，w[，method，epsilon，…]）初始化自身。

属性

`mean_y`
`sig2n`
`sig2n_k`
`std_y`
`utu`
`vm`