Question

我有：

from scipy import stats
data = stats.gamma.rvs(2, loc=1.5, scale=2, size=100000)

所以我适合那个

fitted_params = scipy.stats.gamma.fit(data)

如何从中计算AIC？ AIC = 2*k - 2*ln(L)其中k是拟合参数的数量，L是最大对数似然函数

k = len(fitted_params)
aic = 2*k - 2*(logLik)

logLik会是什么？

我找到了这个片段：

logLik = -np.sum( stats.norm.logpdf(data, loc=yPred, scale=sd) )

来自Maximum Likelihood Estimate

我的职能也是如此：

# calc SD of fitted distribution
sd = std(loc=fitted_params[1], scale=fitted_params[2])

# sample values from fitted dist same length as original data array
yPred = rvs(fitted_params[0], loc=fitted_params[1], scale=fitted_params[2], size=len(data), random_state=None)

# calc the log likelihood 
logLik = -np.sum( stats.gamma.logpdf(data, loc=yPred, scale=sd) )

Answer 1

可能性实际上是在给定参数的情况下观察数据的概率。因此，如果您有一些参数值，即拟合值，则可能性是数据的概率，其中密度用拟合值参数化。

因此，你所做的几乎是正确的。由于您是从伽马分布中采样的，因此您还应使用该分布计算可能性。即而不是

logLik = -np.sum( stats.norm.logpdf(data, loc=yPred, scale=sd) )

DO

logLik = np.sum( stats.gamma.logpdf(data, fitted_params[0], loc=fitted_params[1], scale=fitted_params[2]) )

然后你只需使用你的AIC方程即可。

如何计算scipy中的分布的AIC？

1 个答案: