자기 회귀 매개 변수 파이썬 Statsmodels의 GEE에 대한

Question

나는 변화의 서로 다른 시간 동안 판매의 차이에서 찾고, statsmodels에서 일부 패널 데이터에 대한 회귀 구조를 사용하여 GEE를 실행하려고 해요 :

ga = sm.families.Gaussian() 
ar = sm.cov_struct.Autoregressive() 
times = (BakeSale['Hour'].values) 
ar.dep_params = 0.06 
model2 = sm.GEE.from_formula("CookieSales ~ C(Hour) + Arrivals + TotalSalesPeople", groups=BakeSale["SalesPerson"], 
        data=BakeSale, family=ga, time=times, cov_struct=ar) 
result2 = model2.fit(start_params=result1.params) 
print(result2.summary()) 

이 제기 a ValueError : 브라케팅 간격이 아닙니다.

현재 시프트 정수 (즉, 1-8)로 코딩 된 '근무 시간'이 있지만 타임 스탬프도 있습니다.

이 문제를 해결하는 방법에 대한 의견이 있으십니까?

전체 출력 :

//anaconda/lib/python3.5/site-packages/statsmodels/genmod/cov_struct.py:724: RuntimeWarning: divide by zero encountered in true_divide 
    wts = 1./var 
//anaconda/lib/python3.5/site-packages/statsmodels/genmod/cov_struct.py:725: RuntimeWarning: invalid value encountered in true_divide 
    wts /= wts.sum() 
--------------------------------------------------------------------------- 
ValueError        Traceback (most recent call last) 
<ipython-input-81-d81d0b97546e> in <module>() 
     7 #CookieSales ~ C(Hour) + Arrivals + TotalSalesPeople" 
     8 # Maybe try without C, or find if any with nan value or such 
----> 8 result2 = model2.fit(start_params=result1.params) 
     9 print(result2.summary()) 
    10 print(ar.summary()) 

//anaconda/lib/python3.5/site-packages/statsmodels/genmod/generalized_estimating_equations.py in fit(self, maxiter, ctol, start_params, params_niter, first_dep_update, cov_type, ddof_scale, scaling_factor) 
    1111    if (self.update_dep and (itr % params_niter) == 0 
    1112     and (itr >= first_dep_update)): 
-> 1113     self._update_assoc(mean_params) 
    1114     num_assoc_updates += 1 
    1115 

//anaconda/lib/python3.5/site-packages/statsmodels/genmod/generalized_estimating_equations.py in _update_assoc(self, params) 
    1259   """ 
    1260 
-> 1261   self.cov_struct.update(params) 
    1262 
    1263  def _derivative_exog(self, params, exog=None, transform='dydx', 

//anaconda/lib/python3.5/site-packages/statsmodels/genmod/cov_struct.py in update(self, params) 
    766 
    767   from scipy.optimize import brent 
--> 768   self.dep_params = brent(fitfunc, brack=[b_lft, b_ctr, b_rgt]) 
    769 
    770 

//anaconda/lib/python3.5/site-packages/scipy/optimize/optimize.py in brent(func, args, brack, tol, full_output, maxiter) 
    2001  options = {'xtol': tol, 
    2002    'maxiter': maxiter} 
-> 2003  res = _minimize_scalar_brent(func, brack, args, **options) 
    2004  if full_output: 
    2005   return res['x'], res['fun'], res['nit'], res['nfev'] 

//anaconda/lib/python3.5/site-packages/scipy/optimize/optimize.py in _minimize_scalar_brent(func, brack, args, xtol, maxiter, **unknown_options) 
    2033     full_output=True, maxiter=maxiter) 
    2034  brent.set_bracket(brack) 
-> 2035  brent.optimize() 
    2036  x, fval, nit, nfev = brent.get_result(full_output=True) 
    2037  return OptimizeResult(fun=fval, x=x, nit=nit, nfev=nfev, 

//anaconda/lib/python3.5/site-packages/scipy/optimize/optimize.py in optimize(self) 
    1839   # set up for optimization 
    1840   func = self.func 
-> 1841   xa, xb, xc, fa, fb, fc, funcalls = self.get_bracket_info() 
    1842   _mintol = self._mintol 
    1843   _cg = self._cg 

//anaconda/lib/python3.5/site-packages/scipy/optimize/optimize.py in get_bracket_info(self) 
    1827    fc = func(*((xc,) + args)) 
    1828    if not ((fb < fa) and (fb < fc)): 
-> 1829     raise ValueError("Not a bracketing interval.") 
    1830    funcalls = 3 
    1831   else: 

ValueError: Not a bracketing interval. 

Answer 1

은 종종 인생에서 하나 하나 시작하는 올바른 데이터에서 시작되어 있는지 확인해야합니다. 예를 들어, 오히려 영업 사원보다 개인의 변화를 검사 :

model2 = sm.GEE.from_formula("CookieSales ~ C(Hour) + Arrivals + TotalSalesPeople", groups=BakeSale["Shift"], 
       data=BakeSale, family=ga, time=times, cov_struct=ex) 

는 최대 클러스터 크기가 의심 벗어났다 것을 증명하고 평균 클러스터 크기가 단지 원본 데이터 셋의 논쟁의 8

검토 이상이었다 여러 교대가 교대 근무에 적합한 시간보다 더 많은 시간으로 잘못 코딩되었다는 사실이 밝혀졌습니다. 이 문제가 해결되면 모델을 적절히 실행할 수있게되었습니다 ....