概率统计Python计算:一元线性回归未知参数的区间估计

本文主要是介绍概率统计Python计算:一元线性回归未知参数的区间估计,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述
在博文《一元线性回归未知参数的点估计》中利用scipy.stats的linregress函数,计算了总体分布 N ( a x + b , σ 2 ) N(ax+b, \sigma^2) N(ax+b,σ2)的未知参数 a a a b b b σ 2 \sigma^2 σ2的无偏估计 a ∧ \stackrel{\wedge}{a} a b ∧ \stackrel{\wedge}{b} b σ 2 ∧ \stackrel{\wedge}{\sigma^2} σ2。由于 ( a ∧ − a ) n σ 2 ∧ ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 (\stackrel{\wedge}{a}-a)\sqrt{\frac{n\stackrel{\wedge}{\sigma^2}}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}} (aa)(n2)i=1n(xix)2nσ2 ~ t ( n − 2 ) t(n-2) t(n2) ( b ∧ − b ) σ 2 ∧ ∑ i = 1 n x i 2 ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 (\stackrel{\wedge}{b}-b)\sqrt{\frac{\stackrel{\wedge}{\sigma^2}\sum\limits_{i=1}^nx_i^2}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}} (bb)(n2)i=1n(xix)2σ2i=1nxi2 ~ t ( n − 2 ) t(n-2) t(n2) n σ 2 ∧ σ 2 \frac{n\stackrel{\wedge}{\sigma^2}}{\sigma^2} σ2nσ2~ χ 2 ( n − 2 ) \chi^2(n-2) χ2(n2),故对 1 − α 1-\alpha 1α的置信水平, a a a b b b σ 2 \sigma^2 σ2的置信区间分别为
( a ∧ ± t α / 2 ( n − 2 ) n σ 2 ∧ ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 ) , ( b ∧ ± t α / 2 ( n − 2 ) σ 2 ∧ ∑ i = 1 n x i 2 ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 ) , ( n σ 2 ∧ χ α / 2 2 ( n − 2 ) , n σ 2 ∧ χ 1 − α / 2 2 ( n − 2 ) ) . \left(\stackrel{\wedge}{a}\pm t_{\alpha/2}(n-2)\sqrt{\frac{n\stackrel{\wedge}{\sigma^2}}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}}\right),\\ \left(\stackrel{\wedge}{b}\pm t_{\alpha/2}(n-2)\sqrt{\frac{\stackrel{\wedge}{\sigma^2}\sum\limits_{i=1}^nx_i^2}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}}\right),\\ \left(\frac{n\stackrel{\wedge}{\sigma^2}}{\chi_{\alpha/2}^2(n-2)},\frac{n\stackrel{\wedge}{\sigma^2}}{\chi_{1-\alpha/2}^2(n-2)}\right). a±tα/2(n2)(n2)i=1n(xix)2nσ2 , b±tα/2(n2)(n2)i=1n(xix)2σ2i=1nxi2 , χα/22(n2)nσ2,χ1α/22(n2)nσ2 .
我们已经知道linregress函数的返回值属性slope和intercept分别表示 a a a b b b的无偏估计, a ∧ \stackrel{\wedge}{a} a b ∧ \stackrel{\wedge}{b} b,利用属性stderr(表示 n σ 2 ∧ ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 \sqrt{\frac{n\stackrel{\wedge}{\sigma^2}}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}} (n2)i=1n(xix)2nσ2 )可算得 σ 2 \sigma^2 σ2的无偏估计 σ 2 ∧ \stackrel{\wedge}{\sigma^2} σ2,而这刚好是 a a a的置信区间增量因子。linregress函数的返回值属性intercept_stderr表示 b ∧ \stackrel{\wedge}{b} b的标准差 σ 2 ∑ i = 1 n x i 2 n ∑ i = 1 n ( x i − x ‾ ) 2 \sqrt{\frac{\sigma^2\sum\limits_{i=1}^nx_i^2}{n\sum\limits_{i=1}^n(x_i-\overline{x})^2}} ni=1n(xix)2σ2i=1nxi2 的估计量 σ 2 ∧ ∑ i = 1 n x i 2 ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 \sqrt{\frac{\stackrel{\wedge}{\sigma^2}\sum\limits_{i=1}^nx_i^2}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}} (n2)i=1n(xix)2σ2i=1nxi2 ,恰为 b b b的置信区间增量因子。而用 ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 (n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2 (n2)i=1n(xix)2乘以stderr的平方,即得 σ 2 \sigma^2 σ2的置信区间上下限的分子 n σ 2 ∧ n\stackrel{\wedge}{\sigma^2} nσ2
例1为研究某一化学反应过程中,温度 x x x(摄氏度)对产品得率 Y Y Y(%)的影响,测得数据如下
温度 x : 100 , 110 , 120 , 130 , 140 , 150 , 160 , 170 , 180 , 200 得率 Y : 45 , 51 , 54 , 61 , 66 , 70 , 74 , 78 , 85 , 89 \text{温度}x:100,110,120,130,140,150,160,170,180,200\\ \text{得率}Y:45,51,54,61,66,70,74,78,85,89 温度x:100,110,120,130,140,150,160,170,180,200得率Y:45,51,54,61,66,70,74,78,85,89
Y Y Y~ N ( a x + b , σ 2 ) N(ax+b, \sigma^2) N(ax+b,σ2),计算 a a a b b b σ 2 \sigma^2 σ2置信水平为 1 − α 1-\alpha 1α的置信区间。
解: 下列代码完成本例计算。

alpha=0.05
x=np.array([100,110,120,130,140,150,160,170,180,190])
y=np.array([45,51,54,61,66,70,74,78,85,89])
n=x.size
x_bar=x.mean()
lxx=((x-x_bar)**2).sum()
res=linregress(x, y)
a=res.slope
b=res.intercept
s2=(res.stderr**2)*lxx*(n-2)/n
print('a=%.3f,b=%.3f,s2=%.3f'%(a,b,s2))
d=res.stderr
(la, ra)=muBounds(a, d, 1-alpha, n-2)
d=res.intercept_stderr
(lb, rb)=muBounds(b, d, 1-alpha, n-2)
d=n*s2
(ls, rs)=sigma2Bounds(d, n-2, 1-alpha)
print('(%.3f,%.3f)'%(la, ra))
print('(%.3f,%.3f)'%(lb, rb))
print('(%.3f,%.3f)'%(ls, rs))

第6行计算 ∑ i = 1 n ( x i − x ‾ ) 2 \sum\limits_{i=1}^n(x_i-\overline{x})^2 i=1n(xix)2为lxx。第7行调用linregress,返回值为res。第8~10行分别计算 a a a b b b σ 2 \sigma^2 σ2的点估计值(参见博文《一元线性回归未知参数的点估计》)。第12行计算 a a a的置信区间增量因子 n σ 2 ∧ ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 \sqrt{\frac{n\stackrel{\wedge}{\sigma^2}}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}} (n2)i=1n(xix)2nσ2 (即res的stderr字段)为d,第13行调用muBounds函数计算 a a a的双侧置信区间。相仿地,第14行计算 b b b的置信区间增量因子 σ 2 ∧ ∑ i = 1 n x i 2 ( n − 2 ) ∑ i = 1 n ( x i − x ‾ ) 2 \sqrt{\frac{\stackrel{\wedge}{\sigma^2}\sum\limits_{i=1}^nx_i^2}{(n-2)\sum\limits_{i=1}^n(x_i-\overline{x})^2}} (n2)i=1n(xix)2σ2i=1nxi2 (即res的intercept_stderr字段)为d,第15行计算 b b b的置信区间。第16行调用sigma2Bounds函数计算 σ 2 \sigma^2 σ2的置信区间上下限分子 n σ 2 ∧ n\stackrel{\wedge}{\sigma^2} nσ2为d,第17行计算 σ 2 \sigma^2 σ2的置信区间。运行程序,输出

a=0.483,b=-2.739,s2=0.722
(0.459,0.507)
(-6.306,0.827)
(0.412,3.314)

表示 a a a b b b σ 2 \sigma^2 σ2的点估计值分别为0.483,-2.739和0.722,在0.95的置信水平下, a a a b b b σ 2 \sigma^2 σ2的置信区间分别为(0.459,0.507),(-6.306,0.827)和(0.412,3.314)。
写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
代码诚可贵,原理价更高。若为AI学,读正版书好
返回《导引》

这篇关于概率统计Python计算:一元线性回归未知参数的区间估计的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1097617

相关文章

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Python如何精准判断某个进程是否在运行

《Python如何精准判断某个进程是否在运行》这篇文章主要为大家详细介绍了Python如何精准判断某个进程是否在运行,本文为大家整理了3种方法并进行了对比,有需要的小伙伴可以跟随小编一起学习一下... 目录一、为什么需要判断进程是否存在二、方法1:用psutil库(推荐)三、方法2:用os.system调用

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB