Question

我正在尝试使用python实现matlab代码。

在Matlab中，魏布尔分布的置信区间如下：

<div class="btn-margin">
  <a class="btn btn-green" href="https://myneobuxportal.blogspot.com/p/answer-gamer-quiz-v2.html">
        Click Here To See Answers
      </a>
</div>

在scipy中，我找不到与wbllike函数等效的函数。似乎该功能未实现。相反，我尝试自己实现wblike函数。到目前为止，对数似然的负数很容易获得，如下所示：

CI = 0.95 % 
p = [scale_hat shape_hat];
[nlogl,avar]=wbllike(p,y_ordered);
[qmid,qlo,qup]=wblinv(1-1/nCount,p(1),p(2),avar,1-CI);

我发现python中有statsmodels包，它提供了GeneralLikelyhoodModel。但不知道如何使事情正常进行。我研究了一点http://rlhick.people.wm.edu/posts/estimating-custom-mle.html#statsmodels网站，但还是徒劳。

任何建议都会有所帮助。

Answer 1

以下是我前一段时间写的笔记本的一部分。它的目标是审查Weibull回归，因此需要明确指定的exog，例如一堆。

它还包含一个针对logsf的变通方法，在我的旧scipy版本中不起作用。

    def weibull_min_logsf(x, c, scale=1):
        x = x / scale
        return -np.power(x, c)

    from statsmodels.base.model import GenericLikelihoodModel

    class WeibullModel(GenericLikelihoodModel):

        def __init__(self, endog, exog, censored=None, **kwds):
            super(WeibullModel, self).__init__(endog, exog, **kwds)
            if censored is not None:
                self.censored = censored.astype(int)
            else:
                self.censored = np.zeros(len(self.endog), np.int)

            self.k_params = self.exog.shape[1] + 1


        def loglike(self, params):
            params_ex = params[:-1]
            params_shape = params[-1]
            m = self.exog.dot(params_ex)
            llf = (1 - self.censored) * stats.weibull_min.logpdf(self.endog, params_shape, scale=m)
            #stats.weibull_min.logsf overflows in my older version of scipy, changed in newer versions
            #llf2 = self.censored * stats.weibull_min.logsf(self.endog, params_shape, scale=m)
            llf += self.censored * weibull_min_logsf(self.endog, params_shape, scale=m)
            return llf.sum()

        def _get_distribution(self, params, exog):
            """similar to a predict method
            """
            params_ex = params[:-1]
            params_shape = params[-1]
            m = exog.dot(params_ex)
            return stats.weibull_min(params_shape, scale=m)

    mod = WeibullModel(data['duration'], np.ones(len(data)))
    res = mod.fit(start_params=np.ones(2)) 
    print(res.summary())

如何在Python中获取2-参数Weibull分布的渐近协方差矩阵

1 个答案: