statsmodels.stats.proportion.proportion_confint¶

statsmodels.stats.proportion.proportion_confint(count, nobs, alpha=0.05, method='normal')[source]¶

二项式比例的置信区间

Parameters:¶

count{int or float, array_like}

成功次数，可以是 pandas Series 或 DataFrame。如果方法为“binom_test”，数组必须包含整数值。

nobs{int or float, array_like}

试验的总数。 如果方法为“binom_test”，数组必须包含整数值。

alphafloat

显著性水平，默认值为0.05。必须在 (0, 1) 范围内

method{“normal”, “agresti_coull”, “beta”, “wilson”, “binom_test”}

默认值：“normal” 用于置信区间的方法。支持的方法：

• 正态 : 渐近正态近似

• agresti_coull : Agresti-Coull 区间

• 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_test : 数值反演的二项检验

Returns:¶

ci_low, ci_upp{float, ndarray, Series DataFrame}

置信水平下限和上限，覆盖范围（大约）1-alpha。 当返回一个 pandas 对象时，索引取自 count。

注释

Beta，Clopper-Pearson 精确区间至少有 1-alpha 的覆盖率，但通常是保守的。大多数其他方法的平均覆盖率等于 1-alpha，但在某些情况下覆盖率会更小。

“beta”和“jeffreys”区间是中心化的，它们在每个尾部使用alpha/2，并且在边界处不调整alpha。在极端情况下，当count为零或等于nobs时，“beta”的覆盖率将仅为1 - alpha/2。

置信区间在“normal”和“agresti_coull”情况下被裁剪为 [0, 1] 区间内。

方法“binom_test”直接反转了scipy.stats中的二项检验，该检验具有离散步骤。

TODO: binom_test intervals raise an exception in small samples if one

区间边界接近零或一。

参考文献