如何返回Python PWLF分段回归中每个分段的标准误差

你观察到的返回值规律是PWLF的固有设计：standard_errors()返回的结果与模型的beta参数数组一一对应，当你指定m个分段时，beta数组长度为m+1，对应m+1个断点（包含序列首尾边界）的响应变量估计值，返回的标准误就是这几个断点估计值的标准误。

根据你需要的标准误差类型，可直接用以下两种方案计算，不需要额外拟合模型：

方案1：获取分段斜率的标准误 #

直接基于已输出的断点参数、标准误做误差传播计算，步骤如下：

• 提取拟合模型的断点x坐标：break_x = my_pwlf.fit_breaks
• 提取断点y估计值：beta = my_pwlf.beta
• 提取断点标准误：se_beta = my_pwlf.standard_errors()
• 对第i个分段（i从0到m-1），斜率计算逻辑为：
  slope_i = (beta[i+1] - beta[i]) / (break_x[i+1] - break_x[i])
• 对应斜率的标准误计算逻辑为：
  se_slope_i = sqrt(se_beta[i]**2 + se_beta[i+1]**2) / (break_x[i+1] - break_x[i])

如果你需要更精确的结果，可以调用my_pwlf.fit_with_breakpoint_uncertainty()获取beta参数的协方差矩阵cov_beta，将上面的标准误公式替换为：
se_slope_i = sqrt(se_beta[i]**2 + se_beta[i+1]**2 - 2*cov_beta[i,i+1]) / (break_x[i+1] - break_x[i])

方案2：获取分段内任意点的预测标准误 #

直接调用PWLF自带的预测方法即可，传入对应分段内的x坐标：
y_pred, y_se = my_pwlf.predict(x_list, se=True)
返回的y_se就是对应x点的预测标准误差。

内容的提问来源于stack exchange，提问作者TK99