2017-07-14 3 views
0

kann mir jemand wissen, was ist die Methode der Schätzung der Parameter im fraktionalen Logit-Modell im statsmodel Paket von Python?statsmodel Fractional Logit Modell

Und kann mir jemand den spezifischen Teil des Quellcodes von Fractional Logit Modell beziehen?

+0

Willkommen bei StackOverflow. Diese Art von Frage ist off-topic für StackOverflow (_und wird wahrscheinlich geschlossen_ sein). Bevor Sie eine Frage zu SO stellen, sollten Sie [die Tour] (https://stackoverflow.com/tour) durchgehen und dann zur [Hilfe-Sektion] (http://stackoverflow.com/help) gehen, um [Was? Arten von Fragen sollte ich vermeiden zu fragen?] (http://stackoverflow.com/help/on-topic). Wenn Sie sicher sind, dass Ihre Frage zu den Regeln passt, lesen Sie [Wie Sie eine Frage zu StackOverflow stellen] (http://stackoverflow.com/help/how-to-ask), um ein nützliches, wohlgeformtes und zum Thema Thema. –

Antwort

0

Ich vermute Fractal Logit in der Frage bezieht sich auf die Verwendung des Logit-Modells, um die Quasi-maximale Wahrscheinlichkeit für kontinuierliche Daten innerhalb des Intervalls (0, 1) oder [0, 1] zu erhalten.

Die diskreten Modelle in Statistikmodellen wie GLM, GEE und Logit, Probit, Poisson und ähnliche in statsmodels.discrete erzwingen keine ganzzahlige Bedingung für die Antwort oder endogene Variable. Diese Modelle können daher für gebrochene oder positive kontinuierliche Daten verwendet werden.

Die Parameterschätzer sind konsistent, wenn die Mittelwertfunktion korrekt angegeben ist. Die Kovarianz für die Parameterschätzungen ist jedoch unter Quasi-Maximum-Likelihood nicht korrekt. Die Sandwich-Kovarianz ist mit dem Fit-Argument cov_type='HC0' verfügbar. Außerdem sind robuste Sandwich-Kovarianzmatrizen für robuste, feldstabile oder autokorrelationsstabile Gehäuse verfügbar.

z. Da angenommen wird, dass die Wahrscheinlichkeit nicht korrekt spezifiziert ist, sind die gemeldeten Statistiken, die auf den resultierenden maximierten Log-Likelihood-, d.h. llf-, ll_null- und Likelihood-Quotienten-Tests basieren, nicht gültig.

Die einzigen Ausnahmen sind multinomiale (Logit) -Modelle, die der erklärenden Variablen möglicherweise die ganzzahlige Integritätsbedingung auferlegen und die möglicherweise mit Kompositionsdaten arbeiten. (Die Unterstützung für kompositorische Daten mit QMLE ist immer noch eine offene Frage, da es Berechnungsvorteile gibt, nur die Standardfälle zu unterstützen.)

Verwandte Themen