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基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py