多元核密度回归

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