经验似然 emplike

介绍

经验似然是一种非参数推断和估计方法，它消除了必须指定潜在分布族的义务。此外，经验似然方法不需要重采样，但仍然能够唯一确定形状与数据形状相匹配的置信区域。本质上，经验似然试图结合参数方法和非参数方法的优点，同时限制它们的缺点。经验似然的主要困难在于进行推断所需的计算密集型方法。statsmodels.emplike 试图提供一个用户友好的界面，使最终用户能够有效地进行经验似然分析，而无需担心计算负担。

目前，emplike 提供了用于进行假设检验和形成描述性统计的置信区间的方法。经验似然估计和推断在回归、加速失效时间和工具变量模型中的应用目前正在开发中。

参考文献

经验似然的主要参考文献是：

Owen, A.B. "Empirical Likelihood." Chapman and Hall, 2001.

示例

In [1]: import numpy as np

In [2]: import statsmodels.api as sm

# Generate Data
In [3]: x = np.random.standard_normal(50)

# initiate EL
In [4]: el = sm.emplike.DescStat(x)

# confidence interval for the mean
In [5]: el.ci_mean()
Out[5]: (np.float64(-0.1726424398021664), np.float64(0.2915463397138808))

# test variance is 1
In [6]: el.test_var(1)
Out[6]: (np.float64(3.681069583309926), np.float64(0.05503353576782582))

模块参考

descriptive.DescStat(endog)

返回一个实例，用于通过经验似然进行描述性统计的推断。

descriptive.DescStatUV(endog)

一个用于计算单变量随机变量的均值、方差、峰度和偏度置信区间和假设检验的类。

descriptive.DescStatMV(endog)

用于对多元均值和相关性进行推断的类。
Last update: Oct 16, 2024