經驗概似法 emplike

簡介

經驗概似法是一種非參數推論和估計的方法，它解除了必須指定底層分配族的要求。此外，經驗概似法不需要重新取樣，但仍能唯一確定其形狀反映資料形狀的信賴區間。本質上，經驗概似法試圖結合參數和非參數方法的優點，同時限制它們的缺點。經驗概似法的主要困難是進行推論所需的計算密集型方法。statsmodels.emplike 試圖提供一個使用者友好的介面，讓最終使用者能夠有效地進行經驗概似分析，而無需擔心計算負擔。

目前，emplike 提供了進行假設檢定和為描述性統計建立信賴區間的方法。迴歸、加速失效時間和工具變數模型中的經驗概似估計和推論目前正在開發中。

參考文獻

經驗概似法的主要參考文獻是

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

範例

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(-0.41381233976932935), np.float64(0.17832950793252264))

# test variance is 1
In [6]: el.test_var(1)
Out[6]: (np.float64(0.4011820793780665), np.float64(0.5264794125102568))

模組參考

descriptive.DescStat(endog)

返回一個實例，通過經驗概似法對描述性統計進行推論。

descriptive.DescStatUV(endog)

一個計算單變數隨機變數的均值、變異數、峰度和偏度之信賴區間和假設檢定的類別。

descriptive.DescStatMV(endog)

一個用於對多變數均值和相關性進行推論的類別。
上次更新：2024年10月03日