Логистическая регрессия полное квазиразделение ⇐ Python

[Гость]

Чтобы вычислить показатели склонности, я хочу оценить модели перекрестной регрессии двоичных ответов на ежегодно с использованием statsmodel LogisticRegrade. В качестве объясняющих переменных я рассматриваю характеристики фирмы, а экспериментальная группа определяет, входит ли она в выборку или нет. Результаты оценки сбивают с толку и предполагают, возможно, полное квазиразделение. Любая помощь будет очень признательна!

df = pd.read_excel("Posthoc/PSM_firms_combined.xlsx") X_year = df[df['Year'] == 2015][['Общая сумма активов', 'Рост', 'Цена к балансовой стоимости на акцию', 'Общая сумма долга к обыкновенному капиталу']] y_year = df[df['Год'] == 2015]['Лечение'] logit_model = sm.Logit(y_year, X_year) результаты = logit_model.fit() печать(results.summary()) # Получить статистику хи-квадрат chi_squared = results.llr print("Статистика хи-квадрат:", chi_squared) # Вычисляем R-квадрат Макфаддена log_likelihood_model = results.llf # Логарифмическое правдоподобие модели log_likelihood_null = results.llnull # Логарифмическое правдоподобие нулевой модели mcfadden_r2 = 1 - (log_likelihood_model / log_likelihood_null) print("R-квадрат Макфаддена:", mcfadden_r2) # Получите AUC-ROC y_pred_prob = results.predict(X_year) auc_roc = roc_auc_score(y_year, y_pred_prob) print("AUC-ROC:", auc_roc) Результаты логит-регрессии

Я безуспешно пробовал logit_model.fit(method = 'bfgs') и FirthLogisticReгрессия.