如何从Python Scipy Optimize Least Squares回归中获取P值？

scipy.optimize.least_squares确实不会直接返回P值，你需要借助scipy.stats库手动计算，具体步骤如下：

1. 确定卡方统计量 #

你已经确认过，卡方值等于2.0 * solution.cost，或者通过残差计算的结果，直接使用这个值即可。

2. 计算自由度 #

自由度 = 数据点总数 - 拟合参数的数量。例如：

• 如果你的hist_data包含N个数据点
• 拟合模型有k个参数（即solution.x的长度）
• 那么自由度 df = len(hist_data) - len(solution.x)

3. 计算P值 #

使用scipy.stats.chi2.sf()函数计算，该函数返回卡方分布的生存函数（即1减去累积分布函数CDF），对应P值：

import scipy.stats

# 获取卡方值
chi_square = 2.0 * solution.cost
# 计算自由度
df = len(hist_data) - len(solution.x)
# 计算P值
p_value = scipy.stats.chi2.sf(chi_square, df)

注意要点 #

• 必须保证自由度为正数，否则P值的计算没有统计意义
• 只有当你的拟合满足卡方检验的前提假设（如残差服从正态分布、数据独立等）时，这个P值才有效

内容的提问来源于stack exchange，提问作者user2138149