scipy.stats.theilslopes¶
- scipy.stats.theilslopes(y, x=None, alpha=0.95, method='separate')[源代码]¶
计算一组点(x，y)的Theil-Sen估计量。
theilslopes实现稳健线性回归的方法。它将坡度计算为成对值之间所有坡度的中位数。- 参数
- yarray_like
因变量。
- xARRAY_LIKE或NONE，可选
自变量。如果没有，则使用
arange(len(y))取而代之的是。- alpha浮动，可选
置信度介于0和1之间。默认值为95%置信度。请注意，
alpha在0.5左右对称，即0.1和0.9都被解释为“找到90%的置信区间”。- method{‘联合’，‘分离’}，可选
用于计算截获估计值的方法。支持以下方式：
‘JOIN’：使用np.Medium(y-MEDSLOPE*x)作为截距。
- ‘Separate’：使用np.Medium(Y)-MEDSLOPE*np.Medium(X)
作为拦截。
默认值为“独立”。
1.8.0 新版功能.
- 退货
- medslope浮动
泰尔坡。
- medintercept浮动
拦截泰尔线。
- lo_slope浮动
上置信区间的下界 medslope 。
- up_slope浮动
上置信区间的上界 medslope 。
参见
siegelslopes使用重复介质的类似技术
注意事项
该计划的实施
theilslopes下面是 [1]. 截取未在中定义 [1], 在这里，它被定义为median(y) - medslope*median(x)，它在 [3]. 在文献中存在对截取的其他定义，例如median(y - medslope*x)在……里面 [4]. 截距的计算方法可以由参数决定method。未给出截取的置信区间，因为此问题未在 [1].参考文献
- 1(1,2,3)
P.K.Sen，“基于Kendall‘s tau的回归系数估计”，J.Am统计一下。协会，第63卷，第1379-1389页，1968年。
- 2
H.Theil，“线性和多项式回归分析的秩不变方法I，II和III”，Nederl。阿卡德。书名：Wetensch.，Proc.53：，第386-392页，第521-525页，第1397-1412页，1950年。
- 3
W.L.Conover，“实用非参数统计”，第二版，John Wiley父子出版社，纽约，第493页。
- 4
示例
>>> from scipy import stats >>> import matplotlib.pyplot as plt
>>> x = np.linspace(-5, 5, num=150) >>> y = x + np.random.normal(size=x.size) >>> y[11:15] += 10 # add outliers >>> y[-5:] -= 7
计算斜率、截距和90%置信区间。为了进行比较，还要计算与的最小二乘拟合
linregress：>>> res = stats.theilslopes(y, x, 0.90, method='separate') >>> lsq_res = stats.linregress(x, y)
绘制结果图。泰尔-森回归线以红色显示，红线虚线表示斜率的置信区间(请注意，红线虚线不是回归的置信区间，因为不包括截取的置信区间)。绿线显示适合比较的最小二乘法。
>>> fig = plt.figure() >>> ax = fig.add_subplot(111) >>> ax.plot(x, y, 'b.') >>> ax.plot(x, res[1] + res[0] * x, 'r-') >>> ax.plot(x, res[1] + res[2] * x, 'r--') >>> ax.plot(x, res[1] + res[3] * x, 'r--') >>> ax.plot(x, lsq_res[1] + lsq_res[0] * x, 'g-') >>> plt.show()
