Python 计算一个样本中某一比例的置信区间

当样本量很小，甚至样本量为1时，计算比例置信区间（CI）的更好方法是什么

我目前正在计算一个样本w/中的比例CI：

然而，我的样本量非常小，有时甚至是1。我也试过了 近似值（1−α） 小群体比例p的100%置信区间，使用：

具体地说，我试图实现这两个公式来计算比例的CI。如下图所示，在2018-1季度，蓝色集团没有CI，因为在2018-1季度，每1个ppl中就有1个选择了该项目。如果使用有限总体校正（FPC），则在N为1时不会校正CI。 所以，我的问题是，用什么样的统计方法才能以100%的比例解决这个小样本问题

• 如果您能提供一个python包来计算它，那就太好了？谢谢

试试看 statsmodels.stats.proportion.proportion\u confint

根据他们的文档，您可以这样使用它：

ci_low, ci_upp = proportion_confint(count, nobs, alpha=0.05, method='normal')

其中参数为：

• 计数（int或array_array_like）–成功的数量，可以是系列或数据帧
• nobs（int）-试验总数
• alpha（在（0，1）中浮动）-显著性水平，默认值为0.05
• 方法（字符串位于['normal']）–用于置信区间的方法，当前可用的方法：
  • 正态：渐近正态逼近
  • agresti_coull：agresti coull间隔
  • beta：基于beta分布的Clopper-Pearson区间
  • 威尔逊：威尔逊得分区间
  • jeffreys:jeffreys贝叶斯区间
  • binom_检验：实验，binom_检验的反演

---

要求我们推荐或查找书籍、工具、软件库、教程或其他非现场资源的问题对于堆栈溢出来说是离题的，因为它们往往会吸引固执己见的答案和垃圾邮件。相反，请描述这个问题以及迄今为止为解决它所做的工作。感谢您推荐用于计算CI的python包。Brown，LD，Cat，TT和DasGupta，A（2001年）。比例的区间估计。统计科学16:101-133表明，威尔逊或杰弗里斯方法适用于小n，而阿格雷斯蒂·库尔、威尔逊或杰弗里斯方法适用于大n。