我使用的是pyflux ARIMAX模型,我想提取参数系数和p值。我浏览了文档,但什么也找不到。我尝试了model.params,但它给了我以下错误。我也试过model.coeff_,但也出现了类似的错误。非常感谢您的帮助。非常感谢。
AttributeError Traceback(上次调用)在()---->1个型号.图表
AttributeError:"MLERResults"对象没有属性"params">
使用此示例可以获得表
>>> model = pf.ARIMAX(data=data, formula='drivers~seat_belt+oil_crisis', ar=1, ma=1, family=pf.Normal())
... x = model.fit("MLE")
... x.summary()
Normal ARIMAX(2,0,1)
======================================================= ==================================================
Dependent Variable: drivers Method: MLE
Start Date: 1969.16666666667 Log Likelihood: -1288.9807
End Date: 1984.91666666667 AIC: 2591.9615
Number of observations: 190 BIC: 2614.6907
==========================================================================================================
Latent Variable Estimate Std Error z P>|z| 95% C.I.
======================================== ========== ========== ======== ======== =========================
AR(1) 1.4031 0.0694 20.2033 0.0 (1.267 | 1.5392)
AR(2) -0.4058 0.0599 -6.7751 0.0 (-0.5231 | -0.2884)
MA(1) -0.8534 0.0429 -19.9112 0.0 (-0.9374 | -0.7694)
Beta 1 0.0099 39.506 0.0003 0.9998 (-77.4218 | 77.4417)
Beta seat_belt 0.0021 12.3407 0.0002 0.9999 (-24.1856 | 24.1897)
Beta oil_crisis 0.0027 4.3974 0.0006 0.9995 (-8.6162 | 8.6216)
Normal Scale 227.6325
==========================================================================================================
获取Latent Variable
表行名称和索引:
>>> ind = x.z.z_indices
{'AR(1)': {'start': 0, 'end': 0}, 'AR(2)': {'start': 1, 'end': 1}, 'MA(1)': {'start': 2, 'end': 2}, 'Beta 1': {'start': 3, 'end': 3}, 'Beta seat_belt': {'start': 4, 'end': 4}, 'Beta oil_crisis': {'start': 5, 'end': 5}, 'Normal Scale': {'start': 6, 'end': 6}}
使用它们来获得Estimate
和Std Error
:
>>> est = x.z.z_list[ind['AR(1)']['start']].value
... se = x.z.z_list[ind['AR(1)']['start']].std
... print(est, se)
1.4030704563076553 0.0694474441044986
您现在可以计算95%的置信区间:
>>> est - 1.96 * se
1.266953465862838
>>> est + 1.96 * se
1.5391874467524724
帮助你可能有点晚了,但把它放在那里供将来参考。API文档中完全隐藏了这一点。
model.latent_variables.get_z_values(transformed=True)
或者对于拟合的模型对象:
model.fit().z.get_z_values(transformed=True)