问题标签 [linearmodels]

我正在研究非洲国家的面板模型，他们的民主得分、log（人均 gdp）有 3 个滞后，log（雨）量也有 3 个滞后。我试图通过 IV2SLS 找出由 log(rain)（及其滞后）引起的 log（人均 gdp）（及其滞后）的经济冲击。我还想按国家和年份进行聚类。

我的索引是“国家”，然后是“年份”。我的列名如下：

['democracy', 'log_gdp_per_cap', 'log_gdp_per_cap_lag1', 'log_gdp_per_cap_lag2', 'log_gdp_per_cap_lag3', 'lrain_mw_l', 'lrain_mw_l2', 'lrain_mw_l3', 'lrain_mw_l4']

"lrain_mw_l_"要清楚，这些列是日志（雨）和滞后。

我目前编写的模型如下：

数据框：

模型本身：

它返回以下错误消息：

问题似乎出在索引中，但我不确定是什么。那么，任何人都可以就如何使用 IV2SLS 按实体和年份使用聚类标准错误提供建议吗？

编辑：

重置索引后，我尝试了以下操作：

它会返回一个答案，尽管我对此不太有信心。它是按“年份”和“国家”聚类的吗？它说它只是以一种方式聚集，我不确定是什么。如果我试图使用降雨变量作为 gdp 变量的工具，以查看 log（人均 gdp）变化对民主的影响，我这样做对吗？我也不确定是否使用了固定效果。

我有一个用 scikit-learn 训练的 SGDClassifier 模型。我提取特征名称.get_feature_names()和系数.coef_

我将 2 列组合在一个数据框中，如下所示：

我想知道如何解释特征重要性？正的高值是什么意思？低负值是什么意思？

我想在 python 线性模型中做部分 F 测试，

有什么命令我可以做到吗？

假设一个特征空间X和一个二元变量Y都被另一个变量混淆了Z，有什么方法可以建立一个分类器，Y以便在分类中控制X混淆效果Z。除了以下内容，我找不到很多关于这个主题的讨论：

1. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3117385/
2. 具有逻辑链接的混合效应模型。
3. 仅使用混杂因素为响应构建预测模型，并计算残差。对残差应用任何分类算法。我预计这会有偏差。

任何其他可以解释混杂效应的线性或非线性分类算法？

我对 Python 和 Pycharm 比较陌生，所以我不知道这是否是一个愚蠢的问题。突然我遇到了一个奇怪的问题：python 控制台中任何类型的回归的摘要输出都没有正确对齐，但是，如果我从终端运行脚本，它是完全对齐的。几天前它运行良好，但现在我遇到了linearmodels和statsmodels的问题。如果你能帮助我，我会很高兴，因为它不容易阅读。

这是产生问题的代码示例。

接下来，截图。

Python 控制台 终端

我正在尝试使用线性模型中的面板 OLS，但收到一条消息说内生变量和外生变量的长度不同。根据 PanelOLS 函数中的代码y.shape[0] != x.shape[0]，但是当我打印两个形状时，它的长度相同。

两者x和y都是使用这种格式的多索引 df：

我是否缺少某些特定于 Panel OLS 的东西？

y 变量是 UPT，x 是treatUberX 或treatGTNotStd

数据快照——还有城市和州，这两个字符串都无法在镜头中捕获：

数据框截图

我试图将线性混合模型拟合到具有以下特殊特征的数据集：

有一个分类变量 A 取值 {1,2,...,K}，它被认为是 {1,2} 的固定效应和 {3,...,K} 的随机效应。我应该如何在 R 中的lmer函数中实现它？

更具体地说，考虑最简单的模型y_i = b_0 + A + error。

（一个接近的解决方案是分别为 {1,2} 和 {3,...,K} 估计两个模型，但这会影响对误差项方差的估计。）

数据集描述：我使用了一个包含多个受试者的神经心理学 (np) 测试的数据集。每个受试者在他/她的后续行动中都会进行一次以上的测试，即每年进行一次测试。我研究这些科目的认知衰退。我拥有的信息是：个人编号（身份证号），教育（年），性别（M / F作为因素），年龄（年），基线时间（=第一次np测试后的年）。

目标：我的目标是衡量他们的 np 测试的变化率，即他们每个人每年的认知衰退。为此，我使用线性混合效应模型 (LMEM)，考虑到上述参数，并计算每个受试者的斜率。

问题：当我运行可能的模型（每次组合不同的参数）时，我也会检查它们的奇异性，几乎所有情况下的结果都是 TRUE。所以我的模型呈现奇点！如果我想使用这些模型进行预测，这并不好，因为这意味着模型过度拟合数据。但是现在我只想找到每个人的斜率，我认为这不是问题，或者更好的是，我认为这是一个优势，因为在这种情况下，奇点为受试者的斜率提供了更精确的计算。你认为这个想法正确吗？

我正在使用建模器添加基于具有交互作用的线性回归模型的预测。问题是 add_predictions() 是否适用于交互？

从这个例子来看，它似乎有效。然而，问题是它总是有效吗？什么是三向交互？其他类型的模型（物流）呢？

这是我的代码：

这是测试结果：

我这样做对吗？我对结果有何看法？