離散應變數迴歸

用於有限和定性應變數的迴歸模型。目前此模組允許估計具有二元 (Logit、Probit)、名義 (MNLogit) 或計數 (Poisson、NegativeBinomial) 資料的模型。

從 0.9 版開始，這也包括新的計數模型，在 0.9 版中仍為實驗性模型，NegativeBinomialP、GeneralizedPoisson 和零膨脹模型，ZeroInflatedPoisson、ZeroInflatedNegativeBinomialP 和 ZeroInflatedGeneralizedPoisson。

請參閱模組參考以取得命令和引數。

範例

# Load the data from Spector and Mazzeo (1980)
In [1]: import statsmodels.api as sm

In [2]: spector_data = sm.datasets.spector.load_pandas()

In [3]: spector_data.exog = sm.add_constant(spector_data.exog)

# Logit Model
In [4]: logit_mod = sm.Logit(spector_data.endog, spector_data.exog)

In [5]: logit_res = logit_mod.fit()
Optimization terminated successfully.
         Current function value: 0.402801
         Iterations 7

In [6]: print(logit_res.summary())
                           Logit Regression Results                           
==============================================================================
Dep. Variable:                  GRADE   No. Observations:                   32
Model:                          Logit   Df Residuals:                       28
Method:                           MLE   Df Model:                            3
Date:                Thu, 03 Oct 2024   Pseudo R-squ.:                  0.3740
Time:                        16:08:45   Log-Likelihood:                -12.890
converged:                       True   LL-Null:                       -20.592
Covariance Type:            nonrobust   LLR p-value:                  0.001502
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
const        -13.0213      4.931     -2.641      0.008     -22.687      -3.356
GPA            2.8261      1.263      2.238      0.025       0.351       5.301
TUCE           0.0952      0.142      0.672      0.501      -0.182       0.373
PSI            2.3787      1.065      2.234      0.025       0.292       4.465
==============================================================================

詳細範例可以在這裡找到

技術文件

目前，所有模型均使用最大概似法估計，並假設誤差是獨立且相同分佈的。

所有離散迴歸模型都定義相同的方法並遵循相同的結構，這與迴歸結果類似，但具有一些離散模型特有的方法。此外，其中一些還包含額外的模型特定方法和屬性。

參考文獻

此類模型的通用參考文獻為

A.C. Cameron and P.K. Trivedi.  `Regression Analysis of Count Data`.
    Cambridge, 1998

G.S. Madalla. `Limited-Dependent and Qualitative Variables in Econometrics`.
    Cambridge, 1983.

W. Greene. `Econometric Analysis`. Prentice Hall, 5th. edition. 2003.

模組參考

特定模型類別為

Logit(endog, exog[, offset, check_rank])

Logit 模型

Probit(endog, exog[, offset, check_rank])

Probit 模型

MNLogit(endog, exog[, check_rank])

多項 Logit 模型

Poisson(endog, exog[, offset, exposure, ...])

Poisson 模型

NegativeBinomial(endog, exog[, ...])

負二項模型

NegativeBinomialP(endog, exog[, p, offset, ...])

廣義負二項 (NB-P) 模型

GeneralizedPoisson(endog, exog[, p, offset, ...])

廣義 Poisson 模型

ZeroInflatedPoisson(endog, exog[, ...])

Poisson 零膨脹模型

ZeroInflatedNegativeBinomialP(endog, exog[, ...])

零膨脹廣義負二項模型

ZeroInflatedGeneralizedPoisson(endog, exog)

零膨脹廣義 Poisson 模型

HurdleCountModel(endog, exog[, offset, ...])

計數資料的 Hurdle 模型

TruncatedLFNegativeBinomialP(endog, exog[, ...])

計數資料的截斷廣義負二項模型

TruncatedLFPoisson(endog, exog[, offset, ...])

計數資料的截斷 Poisson 模型

ConditionalLogit(endog, exog[, missing])

將條件式邏輯迴歸模型擬合至分組資料。

ConditionalMNLogit(endog, exog[, missing])

將條件式多項邏輯迴歸模型擬合至分組資料。

ConditionalPoisson(endog, exog[, missing])

將條件式 Poisson 迴歸模型擬合至分組資料。

用於序數應變數的累積連結模型目前位於 miscmodels 中，因為它繼承自 GenericLikelihoodModel。這將在未來版本中變更。

OrderedModel(endog, exog[, offset, distr])

基於邏輯或常態分佈的序數模型

特定結果類別為

LogitResults(model, mlefit[, cov_type, ...])

Logit 模型的結果類別

ProbitResults(model, mlefit[, cov_type, ...])

Probit 模型的結果類別

CountResults(model, mlefit[, cov_type, ...])

計數資料的結果類別

MultinomialResults(model, mlefit)

多項式資料的結果類別

NegativeBinomialResults(model, mlefit[, ...])

負二項分佈 1 和 2 的結果類別

GeneralizedPoissonResults(model, mlefit[, ...])

廣義泊松分佈的結果類別

ZeroInflatedPoissonResults(model, mlefit[, ...])

零膨脹泊松分佈的結果類別

ZeroInflatedNegativeBinomialResults(model, ...)

零膨脹廣義負二項分佈的結果類別

ZeroInflatedGeneralizedPoissonResults(model, ...)

零膨脹廣義泊松分佈的結果類別

HurdleCountResults(model, mlefit, ...[, ...])

Hurdle 模型的結果類別

TruncatedLFPoissonResults(model, mlefit[, ...])

截斷泊松分佈的結果類別

TruncatedNegativeBinomialResults(model, mlefit)

截斷負二項分佈的結果類別

ConditionalResults(model, params, ...)

屬性:

OrderedResults(model, mlefit)

OrderedModel 的結果類別

DiscreteModel 是所有離散迴歸模型的超類別。估計結果會以 DiscreteResults 的子類別實例的形式返回。二元、計數和多項式模型的每個類別都有自己的中間層級模型和結果類別。這些中間類別主要用於方便實現 DiscreteModel 和 DiscreteResults 定義的方法和屬性。

DiscreteModel(endog, exog[, check_rank])

離散選擇模型的抽象類別。

DiscreteResults(model, mlefit[, cov_type, ...])

離散應變數模型的結果類別。

BinaryModel(endog, exog[, offset, check_rank])

屬性:

BinaryResults(model, mlefit[, cov_type, ...])

二元資料的結果類別

CountModel(endog, exog[, offset, exposure, ...])

屬性:

MultinomialModel(endog, exog[, offset, ...])

屬性:

GenericZeroInflated(endog, exog[, ...])

通用零膨脹模型
最後更新：2024 年 10 月 03 日