Python 在spreg模型中使用分类变量

我想使用一个空间回归模型，使用Python中的spreg包。我的数据由数字变量组成，但我也有一个分类土地覆盖变量（7类），我需要将其包含在模型中。这在使用statsmodels时效果非常好，但我还没有弄清楚如何在spreg中实现这一点

我已尝试手动创建虚拟变量（使用

pd.get_dummies（数据['land_cover']）

），但这会导致我的spreg.OLS模型出现错误消息：

RuntimeWarning:在sqrt se_结果中遇到无效值 =np.sqrt（方差）

RuntimeWarning:在sqrt tStat中遇到无效值= betas[list（range（0，len（vm）））].重塑（len（vm））/np.sqrt（variance）

所有虚拟变量在结果的标准误差、t统计量和概率部分也有nan值（见下面的摘录）

使用具有相同数据/变量的statsmodels，OLS模型的输出如下：

                            coef    std err          t      P>|t|
     temperature         -0.0004   2.72e-05    -15.115      0.000
   precipitation       -1.62e-08   4.12e-10    -39.294      0.000
         cover_1          0.0706      0.001    119.653      0.000
         cover_2          0.0290      0.001     29.431      0.000
         cover_3          0.0100      0.001      7.120      0.000 
         cover_4          0.0491      0.000    122.972      0.000
         cover_5          0.0327      0.000     79.698      0.000 
         cover_6          0.0140      0.000     35.541      0.000 
         cover_7         -0.0026      0.001     -4.223      0.000 

---

如何将分类数据纳入spreg模型（例如spreg.GM_Lag）？

我猜您遇到了“虚拟变量陷阱”

statsmodels版本中没有常量，但它包含在spreg版本中

---

如果不在分类变量中删除引用级别，那么它将与常量完全共线。设计矩阵为单数矩阵，标准产品矩阵x'x不可逆。

非常感谢您的快速回答！我不知道“虚拟变量陷阱”。在指定参考级别后，它确实起作用。

                            coef    std err          t      P>|t|
     temperature         -0.0004   2.72e-05    -15.115      0.000
   precipitation       -1.62e-08   4.12e-10    -39.294      0.000
         cover_1          0.0706      0.001    119.653      0.000
         cover_2          0.0290      0.001     29.431      0.000
         cover_3          0.0100      0.001      7.120      0.000 
         cover_4          0.0491      0.000    122.972      0.000
         cover_5          0.0327      0.000     79.698      0.000 
         cover_6          0.0140      0.000     35.541      0.000 
         cover_7         -0.0026      0.001     -4.223      0.000