Python 如何计算scipy中曲线拟合的可能性?
我有一个非线性模型拟合,如下所示: 暗实线是模型拟合,灰色部分是原始数据 问题的简短版本:我如何得到这个模型拟合的可能性,这样我就可以进行对数似然比测试?假设残差是正态分布的 我对统计学比较陌生,我目前的想法是:Python 如何计算scipy中曲线拟合的可能性?,python,numpy,scipy,statsmodels,Python,Numpy,Scipy,Statsmodels,我有一个非线性模型拟合,如下所示: 暗实线是模型拟合,灰色部分是原始数据 问题的简短版本:我如何得到这个模型拟合的可能性,这样我就可以进行对数似然比测试?假设残差是正态分布的 我对统计学比较陌生,我目前的想法是: 通过曲线拟合得到残差,计算残差方差 用这个等式 将残差的方差代入sigma平方,x_i作为实验,mu作为模型拟合 计算对数似然比 有人能帮我回答这两个完整的问题吗 我的方法正确吗?(我想是的,但如果能确定一下,那就太好了!) python/scipy/statsmodels中是否有现
我觉得你的公式正确。它应该给您提供与scipy.stats.norm.logpdf(x,loc=mu,scale=sigma)相同的结果。 既然你已经有了mu和sigma的估计值,我不认为有一个似然比测试的函数可以插入你的结果 如果您有两个模型的估计值,其中一个嵌套在另一个模型中,那么您可以自己轻松地进行计算 以下是statsmodels中的方法的一部分,该方法计算LR测试,以比较两个嵌套线性模型
你的似然函数 它是高斯分布概率密度函数对数的和 是为残差拟合mu和sigma的可能性,而不是给定数据的模型的可能性。一句话,你的方法是错误的 如果你在做非线性最小二乘法,按照@usethedeathstar已经提到的方法,你应该直接进行
F-test
。考虑下面的例子,修改后,我们使用<代码> R< /代码>进行代码> F测试< /代码>。最后,我们将讨论如何将其翻译成python
# construct the data vectors using c()
> xdata = c(-2,-1.64,-1.33,-0.7,0,0.45,1.2,1.64,2.32,2.9)
> ydata = c(0.699369,0.700462,0.695354,1.03905,1.97389,2.41143,1.91091,0.919576,-0.730975,-1.42001)
# some starting values
> p1 = 1
> p2 = 0.2
> p3 = 0.01
# do the fit
> fit1 = nls(ydata ~ p1*cos(p2*xdata) + p2*sin(p1*xdata), start=list(p1=p1,p2=p2))
> fit2 = nls(ydata ~ p1*cos(p2*xdata) + p2*sin(p1*xdata)+p3*xdata, start=list(p1=p1,p2=p2,p3=p3))
# summarise
> summary(fit1)
Formula: ydata ~ p1 * cos(p2 * xdata) + p2 * sin(p1 * xdata)
Parameters:
Estimate Std. Error t value Pr(>|t|)
p1 1.881851 0.027430 68.61 2.27e-12 ***
p2 0.700230 0.009153 76.51 9.50e-13 ***
---
Signif. codes: 0 ?**?0.001 ?*?0.01 ??0.05 ??0.1 ??1
Residual standard error: 0.08202 on 8 degrees of freedom
Number of iterations to convergence: 7
Achieved convergence tolerance: 2.189e-06
> summary(fit2)
Formula: ydata ~ p1 * cos(p2 * xdata) + p2 * sin(p1 * xdata) + p3 * xdata
Parameters:
Estimate Std. Error t value Pr(>|t|)
p1 1.90108 0.03520 54.002 1.96e-10 ***
p2 0.70657 0.01167 60.528 8.82e-11 ***
p3 0.02029 0.02166 0.937 0.38
---
Signif. codes: 0 ?**?0.001 ?*?0.01 ??0.05 ??0.1 ??1
Residual standard error: 0.08243 on 7 degrees of freedom
Number of iterations to convergence: 9
Achieved convergence tolerance: 2.476e-06
> anova(fit2, fit1)
Analysis of Variance Table
Model 1: ydata ~ p1 * cos(p2 * xdata) + p2 * sin(p1 * xdata) + p3 * xdata
Model 2: ydata ~ p1 * cos(p2 * xdata) + p2 * sin(p1 * xdata)
Res.Df Res.Sum Sq Df Sum Sq F value Pr(>F)
1 7 0.047565
2 8 0.053813 -1 -0.0062473 0.9194 0.3696
这里我们有两个模型,fit1
有2个参数,因此余数有8个自由度fit2
有一个附加参数,余数有7个自由度。模型2是否明显更好?否,F值为0.9194,在(1,7)
自由度上,且不显著
要获得方差分析表:残留DF很容易。剩余平方和:0.08202*0.08202*8=0.05381
和0.08243*0.08243*7=0.04756293
(注意:“剩余标准误差:7个自由度上的0.08243”,等等)。在python
中,您可以通过(y_观察到的-y_拟合)**2
获得它,因为scipy.optimize.curve_拟合()
不会返回剩余值
F-ratio
是0.0062473/0.047565*7
,要得到p值:1-scipy.stats.F.cdf(0.9194,1,7)
把它们放在一起,我们就有了python
等价物:
In [1]:
import scipy.optimize as so
import scipy.stats as ss
xdata = np.array([-2,-1.64,-1.33,-0.7,0,0.45,1.2,1.64,2.32,2.9])
ydata = np.array([0.699369,0.700462,0.695354,1.03905,1.97389,2.41143,1.91091,0.919576,-0.730975,-1.42001])
def model0(x,p1,p2):
return p1*np.cos(p2*x) + p2*np.sin(p1*x)
def model1(x,p1,p2,p3):
return p1*np.cos(p2*x) + p2*np.sin(p1*x)+p3*x
p1, p2, p3 = 1, 0.2, 0.01
fit0=so.curve_fit(model0, xdata, ydata, p0=(p1,p2))[0]
fit1=so.curve_fit(model1, xdata, ydata, p0=(p1,p2,p3))[0]
yfit0=model0(xdata, fit0[0], fit0[1])
yfit1=model1(xdata, fit1[0], fit1[1], fit1[2])
ssq0=((yfit0-ydata)**2).sum()
ssq1=((yfit1-ydata)**2).sum()
df=len(xdata)-3
f_ratio=(ssq0-ssq1)/(ssq1/df)
p=1-ss.f.cdf(f_ratio, 1, df)
In [2]:
print f_ratio, p
0.919387419515 0.369574503394
正如@usethedeathstar所指出的:当余数是正态分布时,非线性最小二乘是最大的可能性。因此,F检验和似然比检验是等价的。因为F-比是似然比λ的单调变换
或者以一种描述性的方式,请参见:如果残差是正态分布的,则只需使用最小二乘法即可得到可能性最大的模型。你能展示一下你已经尝试过的吗?只是想知道这不是家庭作业?@usethedeathstar(0)Lol-这不是家庭作业,只是想对一篇研究论文发表评论;2) 模型拟合已经通过残差的最小二乘法完成,我正在尝试进行似然比检验;3) 要做任何基于可能性的工作,我需要先得到可能性,这是我的问题4)我已经在“我当前的想法是……”下写下了我尝试过的东西。最后,对于统计数据的幼稚,我深表歉意:(虽然这个问题写得很好,表达得很清楚,但由于这是一个编程网站,所以可能值得把这个问题转移到这里。@Hooked谢谢你的建议!你能告诉我如何…?我是否手动复制并粘贴这个问题?你可以简单地删除这个问题并重新发布它(格式设置已经完成!)。将注释合并到新问题中不会有任何伤害。祝你好运!非常感谢!这节省了我一周的时间。一个非常快速的后续问题:拟合的剩余值是否不是正态分布(尽管拟合中使用了最小二乘法),f-test是否仍然有效?stats.stackexchange.com上的人对此会有更好的发言权。理论上可能看起来是这样,但事实上f-test在正态性假设方面相当稳健,因此您在大多数情况下仍然可以使用它。希望这会有所帮助。祝您修改顺利!收到了。再次感谢您!