经验似然 emplike

介绍

经验似然是一种非参数推断和估计方法，它免除了必须指定基础分布族的要求。此外，经验似然方法不需要重新采样，但仍然可以唯一地确定置信域，其形状反映了数据的形状。本质上，经验似然试图结合参数和非参数方法的优点，同时限制它们的缺点。经验似然的最大困难是进行推断所需的计算密集型方法。 statsmodels.emplike 尝试提供一个用户友好的界面，允许最终用户有效地进行经验似然分析，而无需担心计算负担。

目前，emplike 提供了用于对描述性统计进行假设检验和构建置信区间的 方法。回归、加速失效时间和工具变量模型中的经验似然估计和推断目前正在开发中。

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

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

模块参考

descriptive.DescStat(endog)

返回一个实例，用于通过经验似然对描述性统计进行推断。

descriptive.DescStatUV(endog)

一个用于计算涉及单变量随机变量的均值、方差、峰度和偏度的置信区间和假设检验的类。

descriptive.DescStatMV(endog)

一个用于对多元均值和相关性进行推断的类。
最后更新: 2024年10月3日