我對(duì)Statsmodels Mixedlm的輸出感到有點(diǎn)困惑,我希望有人可以解釋一下.

我有一個(gè)大型的單戶住宅數(shù)據(jù)集,包括每個(gè)房產(chǎn)的前兩個(gè)銷(xiāo)售價(jià)格/銷(xiāo)售日期.我對(duì)整個(gè)數(shù)據(jù)集進(jìn)行了地理編碼,并獲取了每個(gè)屬性的高程.我試圖了解不同城市之間提升與房地產(chǎn)價(jià)格升值之間關(guān)系的變化方式.

我使用statsmodels混合線性模型來(lái)回歸價(jià)格升值的高程,保持其他一些因素不變,以城市作為我的團(tuán)體類(lèi)別.

md = smf.mixedlm('price_relative_ind~Elevation YearBuilt Sale_Amount_1 LivingSqFt',data=Miami_SF,groups=Miami_SF['City'])

mdf = md.fit()

mdf.random_effects

輸入mdf.random_effects將返回系數(shù)列表.我能否將此列表解釋為每個(gè)城市的斜率(即,與銷(xiāo)售價(jià)格升值相關(guān)的個(gè)別回歸系數(shù))？或者這些結(jié)果是每個(gè)城市的攔截？

解決方法:

我目前正試圖在MixedLM中了解隨機(jī)效應(yīng).看看the docs,似乎只使用groups參數(shù),沒(méi)有exog_re或re_formula只會(huì)為每個(gè)組添加一個(gè)隨機(jī)攔截.來(lái)自文檔的一個(gè)例子：

# A basic mixed model with fixed effects for the columns of exog and a random intercept for each distinct value of group:

model = sm.MixedLM(endog, exog, groups)
result = model.fit()

因此,在這種情況下,您會(huì)期望random_effects方法返回城市的截距,而不是系數(shù)/斜率.

要為您的其他功能添加隨機(jī)斜率,您可以從statsmodels的Jupyter教程中執(zhí)行與此示例類(lèi)似的操作,可以使用斜率和截距：

model = sm.MixedLM.from_formula(
    "Y ~ X", data, re_formula="X", groups=data["C"])

或只有斜坡：

model = sm.MixedLM.from_formula(
    "Y ~ X", data, re_formula="0   X", groups=data["C"])

查看random_effects的文檔,它表示它返回每個(gè)組的隨機(jī)效果的均值.然而,由于隨機(jī)效應(yīng)僅僅是由于截距,這應(yīng)該等于截距本身.

MixedLMResults.random_effects()[source]
    The conditional means of random effects given the data.

    Returns:    
        random_effects : dict
        A dictionary mapping the distinct group values to the means of the random effects for the group.

一些有用的資源,包括：

> Docs為MixedML的公式版本
> Docs為MixedML的結(jié)果
> This Jupyter筆記本以及使用MixedML(Python)的示例
> Stanford tutorial混合型號(hào)(R)
> Tutorial關(guān)于固定和隨機(jī)效應(yīng)(R)