Python 使用scipy.stats.gamma和scipy.optimize.minimize估计比例参数

我试图通过使用

scipy.stats.gamma

和

scipy.optimize.minimize

以及我的数据来估计scale参数。 我建立了一个要评估的功能：

def loss_func(para, x, y):
    return sum((gamma.cdf(x, para[0], para[1])-y)**2)/2

及

---

这样，will

res.x[1]

返回比例参数，will

res.x[0]

返回形状参数？

不，我认为您没有正确理解。有关累积分布函数方法，请参见

scipy.stats

的文档：

.cdf（x，a，loc=0，scale=1）

，函数：

def loss_func(para, x, y):
    return sum((gamma.cdf(x, para[0], para[1])-y)**2)/2

para[0]

变为

a

，因此形状参数和

para[1]

变为

loc

，这是位置参数。因此，

res.x[1]

返回位置，

res.x[0]

返回形状，这不是您想要的

因此，您应该将函数更改为：

def loss_func(para, x, y):
    return sum((gamma.cdf(x, para[0], scale=para[1])-y)**2)/2

---

现在，请记住，您实际上是在进行最小二乘最小化，以使经验CDF与伽马CDF相匹配。@behzad.nouri建议使用

.fit（）

方法，这是一种最大似然法。这两者是不同的，预期结果会有所不同。如果您有原始数据（而不是经验CDF），则最好使用

.fit（）

或

.fit\u loc\u scale（）

方法

您不使用

gamma.fit\u loc\u scale

或

gamma.fit

的任何原因？对。因为我只知道cdf而不知道数据的pdf。请查看

帮助（gamma.fit）

和

帮助（gamma.fit\u loc\u scale）

def loss_func(para, x, y):
    return sum((gamma.cdf(x, para[0], scale=para[1])-y)**2)/2