如何解决负二项式回归对均值和离散参数的影响
我的因变量过于分散。因此,我想对我的数据应用广义负二项式回归。另外,我想检查指标对均值和离差参数的影响,就像在这两篇论文中一样:
在第128页上: Fleming,Lee(2001):技术搜索中的重组不确定性。在管理科学47(1),第117-132页。 DOI:10.1287 / mnsc.47.1.117.10671。
在第719页上: 丹尼斯(Verhoeven),丹尼斯; JurriënBakker; Veugelers,Reinhilde(2016):使用基于专利的指标来衡量技术新颖性。在研究政策45(3),第707-723页。 DOI:10.1016 / j.respol.2015.11.010。
两位作者都在STATA中进行了回归,因此我不能依靠他们的代码,因为我想在Python中(如果可能的话,在SPSS中)。
我当前的Python代码处理回归并显示回归系数。但是,我看不到获得均值和离差影响的选项:
expr = """CIT_REC ~ SCIENCE_NOV
+ APY + PBY + IPC_A + IPC_B + IPC_C + IPC_D + IPC_E + IPC_F + IPC_G + IPC_H + IPC_Y + NUM_CLAims + NUM_ID_CLAims + NUM_DP_CLAims + COMPL_CLAims"""
y_train,X_train = dmatrices(expr,df_train,return_type='dataframe')
X_train = sm.add_constant(X_train)
poisson_training_results = sm.GLM(y_train,X_train,family=sm.families.Poisson()).fit()
#print(poisson_training_results.summary())
import statsmodels.formula.api as smf
df_train['BB_LAMBDA'] = poisson_training_results.mu
df_train['AUX_OLS_DEP'] = df_train.apply(lambda x: ((x['CIT_REC'] - x['BB_LAMBDA'])**2 - x['CIT_REC']) / x['BB_LAMBDA'],axis=1)
ols_expr = """AUX_OLS_DEP ~ BB_LAMBDA - 1"""
aux_olsr_results = smf.ols(ols_expr,df_train).fit()
print(aux_olsr_results.params)
nb2_training_results = sm.GLM(y_train,family=sm.families.NegativeBinomial(alpha=aux_olsr_results.params[0])).fit()
print(nb2_training_results.summary())
这是当前输出。
Generalized Linear Model Regression Results
==============================================================================
Dep. Variable: CIT_REC No. Observations: 120332
Model: GLM Df Residuals: 120316
Model Family: NegativeBinomial Df Model: 15
Link Function: log Scale: 1.0000
Method: IRLS Log-Likelihood: -3.7912e+05
Date: Thu,08 Oct 2020 Deviance: 74180.
Time: 10:45:42 Pearson chi2: 2.05e+05
No. Iterations: 14
Covariance Type: nonrobust
=================================================================================
coef std err z P>|z| [0.025 0.975]
---------------------------------------------------------------------------------
Intercept 228.8814 3.172 72.148 0.000 222.664 235.099
SCIENCE_NOV 3.3563 0.532 6.309 0.000 2.314 4.399
APY 0.0129 0.008 1.663 0.096 -0.002 0.028
PBY -0.1385 0.008 -17.227 0.000 -0.154 -0.123
IPC_A 26.0610 0.353 73.732 0.000 25.368 26.754
IPC_B 25.3848 0.352 72.015 0.000 24.694 26.076
IPC_C 24.7705 0.356 69.669 0.000 24.074 25.467
IPC_D 24.6420 0.382 64.585 0.000 23.894 25.390
IPC_E 25.0614 0.357 70.161 0.000 24.361 25.762
IPC_F 25.3837 0.358 70.980 0.000 24.683 26.085
IPC_G 25.6531 0.352 72.802 0.000 24.962 26.344
IPC_H 25.7289 0.354 72.631 0.000 25.035 26.423
IPC_Y 26.1960 0.367 71.351 0.000 25.476 26.916
NUM_CLAims -0.5566 0.178 -3.123 0.002 -0.906 -0.207
NUM_ID_CLAims 0.5767 0.178 3.235 0.001 0.227 0.926
NUM_DP_CLAims 0.5758 0.178 3.230 0.001 0.226 0.925
COMPL_CLAims -0.0002 2.56e-05 -7.709 0.000 -0.000 -0.000
=================================================================================
编辑:我要求作者得到以下消息。我们使用状态“ nbreg”命令,并指定“ lnalpha(vars)”作为对色散建模的选项。 python或SPSS中有类似的功能吗?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。