Python 经验分位数比较效应大小

我试图用经验数据重建以下积分：

其中F，G为CDF，其逆为分位数函数

这是我的密码：

def eqces(u,v):
    import numpy as np
    import statsmodels.api as sm
    from scipy.stats.mstats import mquantiles

    ecdfu = sm.distributions.ECDF(u)
    ecdfv = sm.distributions.ECDF(v)
    p = np.concatenate([ecdfu.y, ecdfv.y])
    p = np.unique(p) 
    p.sort()

    qfu = mquantiles(u, p)
    qfv = mquantiles(v, p)

    uvinv = ecdfu(qfv)
    vuinv = ecdfv(qfu)

    result = abs(uvinv - p) + abs(vuinv - p)
    return np.dot(result, np.ones(p.size))

有了这个，我希望

eqces（u，u）=0

对于

u=np.random.uniform（0,1,50）

，但通常情况并非如此。有人能告诉我我是否做错了什么，或者建议其他的选择吗

编辑

通过一些分析结果，此代码似乎工作得更好：

def eqces(u,v): 
    ecdfu = sm.distributions.ECDF(u)
    ecdfv = sm.distributions.ECDF(v)

    p = np.concatenate([ecdfu.y, ecdfv.y])
    X = np.concatenate([ecdfu.x, ecdfv.x])

    return 2*np.dot(np.abs(ecdfu(X)-p)+np.abs(ecdfv(X)-p), np.ones(p.size))/p.size

---

我的猜测是，

ECDF

和

mquantiles

不使用相同的打印位置

mquantiles

具有可选关键字

alphap=0.4，betap=0.4

在这种情况下，

p

和

uvinv

不会往返

然而，在大样本中，差异应该很小

scipy.stats.ks_2samp

也在做类似的事情，但直接使用numpy而不使用辅助函数

---

顺便说一句：这两个分布之间的距离度量有名称吗？

我的猜测是

ECDF

和

mquantiles

不使用相同的打印位置

mquantiles

具有可选关键字

alphap=0.4，betap=0.4

在这种情况下，

p

和

uvinv

不会往返

然而，在大样本中，差异应该很小

scipy.stats.ks_2samp

也在做类似的事情，但直接使用numpy而不使用辅助函数

---

顺便说一句：这两个发行版之间的距离度量值有名称吗？

你能修改你的格式吗？@tcaswell我不太确定如何在这个问题上添加latex格式。你能告诉我一些这方面的指导方针吗？我试着四处看看，但找不到如何做。所以我不会做tex标记（我知道）。我更关心的是你代码的缩进。你能修改你的格式吗？@tcaswell我不太确定如何在这个问题上添加latex格式。你能告诉我一些这方面的指导方针吗？我试着四处看看，但找不到如何做。所以我不会做tex标记（我知道）。我更关心代码的缩进。我发现它被引用为“分位数比较效应大小”，这是一个度量两个非正态、非参数（任意）分布之间的差异的指标。我发现它被引用为“分位数比较效应大小”，这是一个度量两个非正态、非参数（任意）分布之间的差异的指标分配。