如何使用带观测误差的卡方拟合非缩放型常数？

核心逻辑 #

你要做的是基于加权最小二乘的非线性拟合——你给出的卡方公式本质是加权最小二乘的代价函数（权重为1/观测误差²），目标是找到使卡方值最小的常数c，而这个常数需要通过自定义函数生成预期值。

具体实现步骤 #

1. 定义变量与函数映射 #

• 待拟合常数：c
• 自定义生成函数：fn(c)，输入c后输出与观测点一一对应的预期值数组exp（如果函数还生成预期值误差，你的公式里未用到，暂时忽略）
• 已知输入：观测值数组obs、观测1σ误差数组obs_err（两者维度必须一致）

2. 构造卡方代价函数 #

按照你指定的公式，实现卡方求和逻辑：

def chi_squared(c, obs, obs_err):
    exp = fn(c)
    return sum( (obs - exp)**2 / (obs_err**2) )

注意：fn(c)的输出维度必须和obs、obs_err完全匹配，避免数组运算错误。

3. 数值优化找最优常数 #

用数值最小化算法求解使卡方值最小的c，Python中scipy.optimize.minimize是常用工具，示例如下：

from scipy.optimize import minimize
import numpy as np

# 示例观测数据（替换为你的实际数据）
obs = np.array([1.2, 2.3, 3.1, 4.0])
obs_err = np.array([0.1, 0.2, 0.15, 0.2])

# 示例自定义函数（替换为你的实际函数，这里假设依赖自变量x）
x = np.array([1, 2, 3, 4])
def fn(c):
    return c * x + np.log(c)  # 仅为示例，根据你的方程修改

# 常数初始猜测值（根据问题背景合理设置，避免局部最优）
initial_guess = 2.0

# 执行最小化拟合
result = minimize(chi_squared, initial_guess, args=(obs, obs_err))

# 提取结果
optimal_c = result.x[0]
min_chi2 = result.fun
print(f"最优拟合常数: {optimal_c:.4f}")
print(f"最小卡方值: {min_chi2:.4f}")

4. 拟合质量评估 #

• 自由度计算：df = len(obs) - 1（因为只拟合1个常数）
• 拟合合理性判断：通过卡方分布计算p值，p = scipy.stats.chi2.sf(min_chi2, df)，若p > 0.05通常认为拟合结果与观测数据兼容。

关键注意点 #

• 若你的fn(c)生成的预期值本身带有误差，需将观测误差与预期误差合并，此时卡方公式的分母应改为obs_err² + exp_err²（对应联合误差的平方），但需按你的需求调整。
• 非线性函数可能存在局部最小值，建议多尝试几个不同的初始猜测值，确保找到全局最优解。
• 所有数组必须保证维度匹配，避免numpy广播错误。

内容的提问来源于stack exchange，提问作者Pioneer_11