当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy stats.expectile用法及代码示例


本文简要介绍 python 语言中 scipy.stats.expectile 的用法。

用法:

scipy.stats.expectile(a, alpha=0.5, *, weights=None)#

计算指定级别的期望值。

期望值是期望的概括,就像分位数是中位数的概括一样。 α = 0.5 水平的期望值是平均值。有关更多详细信息,请参阅注释。

参数

a array_like

包含需要期望值的数字的数组。

alpha 浮点数,默认值:0.5

预期水平;例如,alpha=0.5 给出平均值。

weights 数组,可选

与 a 中的值关联的权重数组。权重必须可广播为与 a 相同的形状。默认值为“无”,这为每个值赋予权重 1.0。整数值权重元素的作用就像在 a 中重复相应的观察次数。有关更多详细信息,请参阅注释。

返回

expectile ndarray

alpha 水平的经验预期。

注意

一般来说,具有累积分布函数 (CDF) 的随机变量 在级别 的期望由以下唯一解 给出:

这里, 的正部分。该方程可以等效地写为:

水平的经验期望\(\alpha\) (scipy.stats.alpha)的样本\(a_i\) (数组a) 是通过插入经验 CDF 来定义的a。给定样本或案例权重\(w\) (数组权重),它读到\(F_a(x) = \frac{1}{\sum_i w_i} \sum_i w_i 1_{a_i \leq x}\) 带指示函数\(1_{A}\) 。这导致了经验期望的定义scipy.stats.alpha作为唯一的解决方案\(t\) 的:

对于 ,这简化为加权平均值。此外, 越大,期望值越大。

最后一点, 级别的期望也可以写成一个最小化问题。一种经常使用的选择是

参考

[1]

W. K. Newey 和 J. L. Powell (1987),“非对称最小二乘估计和测试”,《计量经济学》,55, 819-847。

[2]

T.格奈廷(2009)。 “制定和评估点预测”,《美国统计协会杂志》,106, 746 - 762。DOI:10.48550/arXiv.0912.0902

例子

>>> import numpy as np
>>> from scipy.stats import expectile
>>> a = [1, 4, 2, -1]
>>> expectile(a, alpha=0.5) == np.mean(a)
True
>>> expectile(a, alpha=0.2)
0.42857142857142855
>>> expectile(a, alpha=0.8)
2.5714285714285716
>>> weights = [1, 3, 1, 1]

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.stats.expectile。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。