statsmodels_HC_cov

Матрицы форм HC4, HC4m и HC5, точно такие же, как и в R здесь: https://www.rdocumentation.org/packages/sandwich/versions/3.0-2/topics/vcovHC

Сами коды получения ковариационных матриц можно посмотреть здесь: https://github.com/dogfew/statsmodels_HC_cov/blob/main/statsmodels_HC_cov/cov.py

Тесты писать мне лень.

Установка

git clone https://github.com/dogfew/statsmodels_HC_cov
cd statsmodels_HC_cov
python main.py 

Enter.

Удаление

pip uninstall statsmodels-hc-cov

Подготовка к использованию библиотеки

Сначала необходимо подготовить модель типа OLS из statsmodels.api, и зафитить её.

Подготовка данных

>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=4, random_state=442, bias=9.2, noise=50)

Подготовка модели

>>> from statsmodels.api import OLS, add_constant
>>> model = OLS(y, add_constant(X)).fit()

Использование этой библиотеки

Импорт потенциально необходимых вещей

>>> from statsmodels_HC_cov import cov_hc5, cov_hc4, cov_hc4m, vcov_hc, ttest

Получить ковариационную матрицу соответствующей функцией

>>> cov_hc5(model)

array([[29.52750556,  2.45112295,  7.72272458, -0.15248637,  4.38382457],
       [ 2.45112295, 21.79997686,  6.49405244,  2.07311453, -2.87778095],
       [ 7.72272458,  6.49405244, 49.04041299,  5.75572217, -3.50458931],
       [-0.15248637,  2.07311453,  5.75572217, 26.00612708, -2.06287357],
       [ 4.38382457, -2.87778095, -3.50458931, -2.06287357, 20.6567492 ]])

Получить такую же ковариационную матрицу иначе

>>> vcov_hc(model, cov_type='hc5')

array([[29.52750556,  2.45112295,  7.72272458, -0.15248637,  4.38382457],
       [ 2.45112295, 21.79997686,  6.49405244,  2.07311453, -2.87778095],
       [ 7.72272458,  6.49405244, 49.04041299,  5.75572217, -3.50458931],
       [-0.15248637,  2.07311453,  5.75572217, 26.00612708, -2.06287357],
       [ 4.38382457, -2.87778095, -3.50458931, -2.06287357, 20.6567492 ]])

Сделать тесты так сказать

>>> test = ttest(model, cov_type='hc5')
>>> test

      coefs  std err        t  P >|t|
X0  11.7997   5.4339   2.1715  0.0323
X1  56.4308   4.6690  12.0862  0.0000
X2  80.1752   7.0029  11.4489  0.0000
X3  63.9853   5.0996  12.5471  0.0000
X4   5.4531   4.5450   1.1998  0.2330

Атрибуты

>>> test.coefs 

array([11.79973021, 56.43078829, 80.17520362, 63.98529449,  5.45309485])

>>> test.se

array([5.43392175, 4.66904453, 7.00288605, 5.09962029, 4.54496966])

>>> test.tvalues

array([ 2.17149432, 12.08615336, 11.44888023, 12.54707035,  1.19980886])

>>> test.pvalues 

array([3.22586682e-02, 2.86977490e-21, 6.80700155e-20, 2.96554697e-22,
       2.33048476e-01])

Индексация

>>> test['X0']['t']

2.1714943190800806

>>> test['t']

X0     2.171494
X1    12.086153
X2    11.448880
X3    12.547070
X4     1.199809
Name: t, dtype: float64

Зачем?

У меня сгорело, что я нигде в питоне это не нашёл. Впрочем, это никому и не нужно, кроме студентов.