如何用scipy.stats.bootstrap实现多参数函数的标准误计算？

• 错误原因：你遇到的IndexError是因为传入bootstrap的数据格式不正确，导致重采样后无法正确提取两个参数。如果直接将两个一维数组分开传入，或者合并成一维数组，bootstrap会破坏x和w的配对关系，或无法识别二维参数结构，进而在自定义函数中访问索引1时越界。

• 正确做法：需要将x和w作为配对观测数据传入，保证每次重采样时，每个x值对应的权重w被同时选中。具体步骤如下：

1. 导入依赖库：

import numpy as np
from scipy.stats import bootstrap

2. 准备配对数据：将x和w组合成二维数组（每行对应一个x值及其权重）

x = [12, 14, 82, 55, 63, 56]
w = [0.61, 1.01, 1.8, 2.6, 0.93, 1.13]
# 组合成(n, 2)的二维数组，n为样本量
data = np.column_stack((x, w))

3. 定义自定义统计量函数：从二维数组中分别提取x和w列，计算加权均值

def weighted_mean(data):
    x_vals = data[:, 0]  # 提取第一列（x值）
    w_vals = data[:, 1]  # 提取第二列（权重w）
    return np.average(x_vals, weights=w_vals)

4. 调用bootstrap计算标准误：

# 传入配对数据，指定自定义函数和重采样次数
result = bootstrap((data,), weighted_mean, n_resamples=1000)
print(f"加权均值置信区间: {result.confidence_interval.low:.2f}~{result.confidence_interval.high:.2f}")
print(f"标准误: {result.standard_error:.2f}")

• 另一种实现方式（用列表配对）：如果不习惯用二维数组，也可以用zip将x和w打包成配对列表：

data = list(zip(x, w))

def weighted_mean(data):
    x_vals, w_vals = zip(*data)
    return np.average(x_vals, weights=w_vals)

result = bootstrap((data,), weighted_mean, n_resamples=1000)

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