import statsmodels.nonparametric.kernel_regression as kdereg
import pandas as pd
import numpy as np
X=pd.DataFrame(np.random.randint(0,100,size=[100,2]))#自变量
Y=pd.DataFrame(np.random.normal(9,5,size=[100]))#因变量
model=kdereg.KernelReg(endog=Y,
exog=X,
var_type='cc',#变量的类型
ckertype='gaussian',#用于连续变量的内核
bw='cv_ls'#带宽,数值:指定带宽; ‘cv_ls’:最小二乘交叉验证; ‘aic’:AIC Hurvich带宽估计
)
model.bw
model.fit([7,8])#当自变量为7时,返回估计值和边际效应
model.r_squared()#拟合优度
model.sig_test(1)#回归中变量的显著性检验
多元核密度回归
最新推荐文章于 2023-01-31 15:52:36 发布