基于scipy.stats伽马分布拟合的异常参数估计问题

核心原因 #

Scipy的scipy.stats.gamma.fit默认会同时拟合形状参数alpha、位置参数loc、尺度参数beta三个参数，而Gamma分布的极大似然估计在loc不固定时，对某些数据分布可能出现参数发散的情况。MATLAB的Gamma拟合工具（如gamfit）默认固定loc=0，这是两者结果差异的关键。

解决方案 #

1. 强制固定位置参数loc=0

Gamma分布的标准定义中，位置参数loc通常为0（分布取值范围为x > loc），固定loc可以避免优化器找到极端的alpha值来补偿loc的偏移。修改代码如下：

import scipy.stats as stats
import pandas as pd

io = pd.read_excel('Data1.xlsx', header=None).to_numpy()

# 拟合第一组数据（可选择固定loc）
fit_alpha, fit_loc, fit_beta = stats.gamma.fit(io[0, :], floc=0)

# 第二组数据强制固定loc=0
fit_alpha1, fit_loc1, fit_beta1 = stats.gamma.fit(io[1, :], floc=0)

2. 传入矩估计的初始值（可选，提升拟合稳定性）

如果固定loc后仍有问题，可以先用矩估计得到初始参数，帮助优化器收敛到合理结果：

import numpy as np
import scipy.stats as stats
import pandas as pd

io = pd.read_excel('Data1.xlsx', header=None).to_numpy()

data2 = io[1, :]
# 计算样本均值和方差
mu = np.mean(data2)
var = np.var(data2, ddof=1)

# 矩估计初始参数
initial_alpha = mu ** 2 / var
initial_beta = var / mu

# 传入初始值并固定loc=0
fit_alpha1, fit_loc1, fit_beta1 = stats.gamma.fit(
    data2, 
    floc=0, 
    f0=(initial_alpha, 0, initial_beta)
)

验证逻辑 #

Gamma分布的均值为alpha * beta，方差为alpha * beta²，拟合后可以用这两个公式验证结果是否合理，确保参数符合数据的统计特征。

内容的提问来源于stack exchange，提问作者Alok