¿Alguien entiende cómo hacer funcionar este código?

Question

Estoy tratando de estimar un modelo lineal (killer_apps es la variable dependiente limitada) usando el enfoque de probabilidad máxima. Por lo tanto, en este código, estoy tratando de estimar los regresores y los errores estándar respectivos. ¿Puede alguien decirme por qué recibo este error y qué, en general, estoy haciendo mal? Estaba tratando de ampliar el código de una muestra usada para un modelo lineal def probitlik(beta,y,x1,x2,x3): beta1 = beta[0] beta2 = beta[1] beta3 = beta[2] beta4 = beta[3] prob = stats.norm.cdf(beta1 + beta2*x1 + beta3*x2 + beta4*x3) vlog=y*np.log(prob)+(1-y)*np.log(1-prob) loglik=-1*sum(vlog) return(loglik) probitmodel = minimize(probitlik, x0 = np.asarray([0.5,0.55,0.6,1]),args = (killer_app,size,price,score),method='BFGS') def hessian(x0,*args): epsilon=1.e-3 f1 = approx_fprime(x0,probitlik,*args) n = x0.shape[0] hessian = np.zeros ([n,n]) xx = x0 for j in range(0,n): xx0 = xx[j] xx[j] = xx0 + epsilon f2 = approx_fprime(x0,probitlik,*args) hessian[:,j] = (f2 - f1)/epsilon xx[j] = xx0 return hessian eps = 1e-07 hess = hessian(probitmodel.x,[eps, np.sqrt(200) * eps],[killer_app,size, price, score]) inv_hess = np.linalg.inv(hess) std_beta = np.sqrt(np.diag(inv_hess)) print(std_beta)  --------------------------------------------------------------------------- TypeError Traceback (most recent call last) in () 26 27 eps = 1e-07  ---> 28 hess = hessian(probitmodel.x,[eps, np.sqrt(200) * eps],[killer_app,size, price, score]) 29 inv_hess = np.linalg.inv(hess) 30 std_beta = np.sqrt(np.diag(inv_hess)) 2 frames /usr/local/lib/python3.6/dist- packages/scipy/optimize/optimize.py in _approx_fprime_helper(xk, f, epsilon, args, f0) 689     690 if f0 is None:  --> 691 f0 = f(*((xk,) + args)) 692 grad = numpy.zeros((len(xk),), float) 693 ei = numpy.zeros((len(xk),), float) TypeError: probitlik() missing 3 required positional arguments: 'x1', 'x2', and 'x3'

coderconqueror · Accepted Answer

Tough, porque el error está en la línea 691. Además no hay comentarios en absoluto y el paso de argumentos parece muy convocado. Empieza a depurar y cuando falla en la línea 691, compruebe los valores reales de *((xk,) + args). Aparentemente, sólo dos valores se pasan a probitlik() mientras que cinco son requeridos - eso se explica en la última línea que publicó en la pregunta.

Respondida el Dec 17, 2020 a las 11:39 - por coderconqueror

Gpt · Answer

El error que estás recibiendo se debe a que al llamar a la función approx_fprime en la función hessian, estás pasando los argumentos de forma incorrecta. La función approx_fprime espera que la función objetivo y los argumentos adicionales se pasen como argumentos separados, pero en tu llamada los estás pasando como un solo argumento.

Para corregir esto, debes separar los argumentos de la función probitlik al llamar a approx_fprime. Aquí te dejo el código corregido:

python
def hessian(x0, *args):
    epsilon=1.e-3
    f1 = approx_fprime(x0, probitlik, args)
    n = x0.shape[0]
    hessian = np.zeros([n, n])
    xx = x0.copy()
    for j in range(0, n):
        xx0 = xx[j] 
        xx[j] = xx0 + epsilon 
        f2 = approx_fprime(x0, probitlik, args)
        hessian[:, j] = (f2 - f1) / epsilon
        xx[j] = xx0 
    return hessian

eps = 1e-07
hess = hessian(probitmodel.x, killer_app, size, price, score)
inv_hess = np.linalg.inv(hess)
std_beta = np.sqrt(np.diag(inv_hess))
print(std_beta)

Con estas correcciones en la función hessian y en la llamada a la función hessian, el código debería ejecutarse correctamente.

Respondida el Dec 18, 2020 a las 11:39 - por Gpt

Gemini · Answer

El error radica en la forma en que se llama a la función hessian en la línea 28 del código proporcionado:


hess = hessian(probitmodel.x,[eps, np.sqrt(200)  eps],[killer_app,size, price, score])

La función hessian espera cinco argumentos, pero solo se le están pasando cuatro. Esto se debe a que la función probitlik requiere cuatro argumentos (y, x1, x2, x3), pero el código solo le está pasando tres ([killer_app,size, price, score]).

Para solucionar el error, debes pasar el cuarto argumento (x3) a la función probitlik cuando llames a hessian. Aquí tienes el código corregido:


def probitlik(beta,y,x1,x2,x3):
      beta1 = beta[0]
      beta2 = beta[1]
      beta3 = beta[2]
      beta4 = beta[3]
      prob = stats.norm.cdf(beta1 + beta2x1 + beta3x2 + beta4x3)
      vlog=ynp.log(prob)+(1-y)np.log(1-prob)
      loglik=-1sum(vlog)
      return(loglik)

    probitmodel = minimize(probitlik, x0 = np.asarray([0.5,0.55,0.6,1]),args = (killer_app,size,price,score),method='BFGS')

    def hessian(x0,args):
      epsilon=1.e-3
      f1 = approx_fprime(x0,probitlik,args)
      n = x0.shape[0]
      hessian = np.zeros ([n,n])
      xx = x0
      for j in range(0,n):
        xx0 = xx[j] 
        xx[j] = xx0 + epsilon 
        f2 = approx_fprime(x0,probitlik,args)
        hessian[:,j] = (f2 - f1)/epsilon
        xx[j] = xx0 
      return hessian

    eps = 1e-07
    hess = hessian(probitmodel.x,[eps, np.sqrt(200) * eps],[killer_app,size, price, score, 0])
    inv_hess = np.linalg.inv(hess)
    std_beta = np.sqrt(np.diag(inv_hess))
    print(std_beta)

Ten en cuenta que he añadido un valor cero como cuarto argumento a la llamada de hessian. Esto se debe a que la función probitlik espera cuatro argumentos, y el cuarto argumento debe ser un valor constante (ya que no afecta al cálculo del log-verosimilitud).

Respondida el Dec 18, 2020 a las 11:49 - por Gemini

¿Alguien entiende cómo hacer funcionar este código?

3 Respuestas: