如何计算多参数拟合的不确定性？基于reduced chi_squared的方法求解

前置要求 #

• 已完成双参数模型y = f(x; a, b)的最小二乘拟合，得到最优参数组合(a_opt, b_opt)，以及对应的最小原始卡方值χ²_min
• 计算约化卡方基准值：χ²_red_min = χ²_min / ν，其中ν = N - 2为自由度，N是测量数据点总数，2是拟合参数个数

注意：合理拟合的χ²_red_min应在1附近，若远大于1说明模型与数据匹配度差，远小于1说明测量误差被高估，两种情况都会导致不确定性计算结果失真，需先调整误差设置或模型再继续计算。

核心计算步骤 #

1. 确定约化卡方增量阈值 #

1σ置信水平下，双参数拟合对应的原始卡方增量固定为Δχ² = 2.30，对应约化卡方的增量阈值为Δχ²_red = 2.30 / ν。
我们需要找到所有满足χ²_red(a,b) ≤ χ²_red_min + Δχ²_red的参数组合(a,b)，这些参数的取值范围就是置信度为1σ的不确定域。

若需要更高置信度，可替换对应原始卡方增量：2σ对应Δχ²=6.18，3σ对应Δχ²=11.8，换算成约化卡方增量统一除以自由度ν即可。

2. 单参数不确定性扫描 #

固定其中一个参数，优化另一个参数的取值，即可逐个计算两个参数的独立不确定性：

• 固定参数a为某一偏离a_opt的取值，拟合得到当前a下b的最优值，计算该参数组合对应的约化卡方χ²_red
• 逐步增大a的取值，直到χ²_red刚好等于χ²_red_min + Δχ²_red，此时a与a_opt的差值即为a的上偏差
• 逐步减小a的取值，重复上述操作得到a的下偏差
• 用相同逻辑固定b，扫描得到b的上下偏差

3. （可选）双参数联合置信域绘制 #

如果需要展示两个参数的相关性，可遍历参数空间，收集所有满足χ²_red(a,b) = χ²_red_min + Δχ²_red的(a,b)坐标点，这些点组成的闭合椭圆就是双参数的1σ联合置信域，椭圆的倾斜程度直接反映两个拟合参数的相关性大小。

结果验证 #

你可以用拟合输出的协方差矩阵结果做交叉验证：从协方差矩阵中提取的参数标准差，应与你扫描得到的对称单侧不确定性基本一致，偏差过大一般是扫描步长设置不合理、Δχ²阈值取错两个原因导致的。

参考伪代码 #

# 输入测量数据
x, y, y_err = 实验测量数据集
# 基础拟合得到最优参数和最小卡方
a_opt, b_opt, chi2_min = 最小二乘拟合函数(模型, x, y, y_err)
nu = len(x) - 2
chi2_red_min = chi2_min / nu
delta_chi2_red = 2.30 / nu # 1σ置信水平对应约化卡方增量

# 扫描参数a的上下偏差
a_upper = a_opt
while 计算卡方(模型, a_upper, 拟合最优b(a_upper), x, y, y_err)/nu <= chi2_red_min + delta_chi2_red:
    a_upper += 0.01 # 步长可根据参数实际量级调整
a_lower = a_opt
while 计算卡方(模型, a_lower, 拟合最优b(a_lower), x, y, y_err)/nu <= chi2_red_min + delta_chi2_red:
    a_lower -= 0.01
a_err = [a_opt - a_lower, a_upper - a_opt]

# 相同逻辑计算参数b的偏差即可

内容的提问来源于stack exchange，提问作者rashed a564