Python statsmodels-绘制拟合分布图
以下代码使用Python statsmodels-绘制拟合分布图,python,statistics,scipy,modeling,statsmodels,Python,Statistics,Scipy,Modeling,Statsmodels,以下代码使用statsmodels model = smf.glm('Y ~ 1', family=sm.families.NegativeBinomial(), data=df) results = model.fit() 这给出了系数和标准: coef stderr Intercept 2.9471 0.120 现在我想以图形方式比较变量Y(直方图)的真实分布和来自模型的分布 但是我需要两个参数r和p来评估stats.nbinom(r,p),并
statsmodels
model = smf.glm('Y ~ 1', family=sm.families.NegativeBinomial(), data=df)
results = model.fit()
这给出了系数和标准:
coef stderr
Intercept 2.9471 0.120
现在我想以图形方式比较变量Y(直方图)的真实分布和来自模型的分布
但是我需要两个参数r
和p
来评估stats.nbinom(r,p)
,并绘制它
是否有方法从拟合结果中检索参数?
如何绘制PMF?statsmodels中的广义线性模型GLM目前未估计负二项分布的额外参数。负二项分布仅在形状参数固定的情况下才属于指数分布族 然而,statsmodels在估计所有参数的
离散_模型中也有负二项式作为最大似然模型
计数回归的负二项式参数化是根据平均值或期望值进行的,这与scipy.stats.nbinom中的参数化不同。实际上,负二项计数回归有两种不同的常用参数化,通常称为nb1
和nb2
下面是一个快速编写的脚本,可以从估计的参数中恢复scipy.stats.nbinom参数、n=size
和p=prob
。一旦获得了scipy.stats.distribution的参数,就可以使用所有可用的方法rvs、pmf等
类似的东西应该在statsmodels中提供
在一些示例运行中,我得到了如下结果
data generating parameters 50 0.25
estimated params 51.7167511571 0.256814610633
estimated params 50.0985814878 0.249989725917
此外,由于潜在的指数重参数化,scipy优化器有时会出现收敛问题。在这些情况下,提供更好的起始值或使用Nelder-Mead作为优化方法通常会有所帮助
import numpy as np
from scipy import stats
import statsmodels.api as sm
# generate some data to check
nobs = 1000
n, p = 50, 0.25
dist0 = stats.nbinom(n, p)
y = dist0.rvs(size=nobs)
x = np.ones(nobs)
loglike_method = 'nb1' # or use 'nb2'
res = sm.NegativeBinomial(y, x, loglike_method=loglike_method).fit(start_params=[0.1, 0.1])
print dist0.mean()
print res.params
mu = res.predict() # use this for mean if not constant
mu = np.exp(res.params[0]) # shortcut, we just regress on a constant
alpha = res.params[1]
if loglike_method == 'nb1':
Q = 1
elif loglike_method == 'nb2':
Q = 0
size = 1. / alpha * mu**Q
prob = size / (size + mu)
print 'data generating parameters', n, p
print 'estimated params ', size, prob
#estimated distribution
dist_est = stats.nbinom(size, prob)
顺便说一句:我以前碰到过这个,但没有时间看它
glm不估计负项的形状参数。您可以使用离散_模型negativeBiomial。您能提供一个代码示例吗?statsmodels和scipy.stats之间的参数化不同,我仍然需要找出如何匹配它们。不幸的是,在statsmodels中仍然缺少一些“额外的”。